FLEN : Exploiter le champ pour une prédiction de CTR évolutive

La prédiction du taux de clic (Click-Through Rate, CTR) constitue un composant indispensable pour de nombreuses applications industrielles, telles que les systèmes de recommandation et la publicité en ligne. Les systèmes de prédiction CTR reposent généralement sur des caractéristiques catégorielles à plusieurs champs, c’est-à-dire que chaque caractéristique est catégorielle et appartient à un seul et unique champ. La modélisation des conjonctions de caractéristiques est cruciale pour la précision de la prédiction CTR. Toutefois, modéliser explicitement toutes les conjonctions de caractéristiques requiert un nombre massif de paramètres, ce qui n’est pas évolutif dans les systèmes de production réels. Dans cet article, nous présentons un nouveau réseau d’embeddings à exploitation de champs, appelé Field-Leveraged Embedding Network (FLEN), déployé dans le système de recommandation commercial de Meitu et chargé du trafic principal. FLEN introduit une technique innovante de pooling bi-interaction par champ. En exploitant judicieusement les informations de champ, ce pooling bi-interaction par champ permet de capturer à la fois les conjonctions inter-champs et intra-champs avec un nombre réduit de paramètres et une complexité temporelle acceptable pour les applications industrielles. Nous démontrons que divers modèles d’état de l’art pour la prédiction CTR peuvent être exprimés au sein de cette approche. Par ailleurs, nous proposons Dicefactor, une technique de dropout visant à empêcher les caractéristiques latentes indépendantes de s’adapter mutuellement. Des expériences étendues, incluant des évaluations hors ligne et des tests A/B en production réelle, confirment l’efficacité et l’efficience de FLEN par rapport aux méthodes d’état de l’art. Notamment, FLEN obtient une amélioration de 5,19 % sur le taux de clic, tout en utilisant seulement un sixième de la mémoire et du temps de calcul par rapport à la version précédente (c’est-à-dire NFM).