Factorisation de caractéristiques multi-niveaux pondérée pour la prédiction du taux de clic (CTR) et de l’installation des publicités d’applications

Ce papier présente une synthèse de l'approche adoptée par l'équipe ISISTANITOS pour le ACM RecSys Challenge 2023. Ce concours, organisé par ShareChat, consistait à prédire la probabilité qu’un utilisateur clique sur une publicité d’application et/ou installe une application, dans le but d’améliorer l’optimisation des étapes profondes du funnel, tout en accordant une attention particulière à la confidentialité des utilisateurs. Notre méthode propose de modéliser les probabilités de clic et d’installation comme deux tâches distinctes mais corrélées. Par conséquent, le modèle conçoit un ensemble spécifique de caractéristiques pour chaque tâche, ainsi qu’un ensemble de caractéristiques partagées. Ce modèle porte le nom de Factorisation de Caractéristiques Multi-Niveaux Pondereur, car il prend en compte les interactions entre caractéristiques d’ordres différents, où l’ordre est associé à la profondeur dans un réseau de neurones. La prédiction pour une tâche donnée est obtenue en combinant les caractéristiques spécifiques à la tâche et les caractéristiques partagées sur différents niveaux. Notre soumission a obtenu la 11e place avec un score global de 55 dans les résultats finaux de la catégorie académique du concours. Nous mettons à disposition notre code source à l’adresse suivante : https://github.com/knife982000/RecSys2023Challenge