CETN : Réseau à renforcement de contraste pour la prédiction de CTR

La prédiction du taux de clic (CTR) constitue une tâche essentielle dans les systèmes de récupération d'information personnalisés, tels que les systèmes de recommandation industriels, la publicité en ligne ou le recherche web. La plupart des modèles existants de prédiction CTR exploitent des interactions explicites entre caractéristiques afin de surmonter le goulot d'étranglement de performance lié aux interactions implicites. Ainsi, des modèles profonds de prédiction CTR basés sur des structures parallèles (par exemple, DCN, FinalMLP, xDeepFM) ont été proposés pour extraire des informations conjointes issues d'espaces sémantiques différents. Toutefois, ces sous-composants parallèles manquent de signaux de supervision efficaces, ce qui rend difficile la capture efficace d'informations d'interactions multivues entre caractéristiques dans des espaces sémantiques distincts. Pour résoudre ce problème, nous proposons un nouveau modèle simple mais efficace pour la prédiction CTR : le Contrasted-enhanced Through Network for CTR (CETN), afin de garantir à la fois la diversité et l'homogénéité des informations d'interaction entre caractéristiques. Plus précisément, CETN utilise des interactions basées sur le produit entre caractéristiques ainsi que le concept d'augmentation (perturbation) issu de l'apprentissage contrastif pour segmenter différents espaces sémantiques, chacun étant associé à une fonction d'activation distincte. Cette approche améliore la diversité des informations d'interaction capturées par le modèle. Par ailleurs, nous introduisons des signaux d'apprentissage auto-supervisé ainsi qu'une connexion directe (through connection) au sein de chaque espace sémantique afin de garantir l'homogénéité des informations d'interaction capturées. Les expérimentations menées sur quatre jeux de données réels démontrent que notre modèle surpassent de manière cohérente vingt modèles de référence en termes d'AUC et de Logloss.