Recherche évolutive cognitive pour la sélection des interactions entre caractéristiques dans la prédiction du taux de clic

La prédiction du taux de clic (CTR) dans les systèmes de marketing intelligent revêt une importance capitale, où la sélection des interactions entre caractéristiques joue un rôle clé. La plupart des approches modélisent les interactions entre caractéristiques à l’aide d’opérations prédéfinies et fixées par des experts, ce qui peut entraîner des interactions inappropriées, introduisant ainsi un bruit superflu et compliquant le processus d’entraînement. A cet effet, cette étude vise à concevoir un modèle capable d’évoluer de manière adaptative afin de sélectionner, sous la guidance d’une tâche donnée, les opérations appropriées pour interagir entre paires de caractéristiques. Inspirés par l’évolution naturelle, nous proposons un cadre général, appelé Cognitive EvoLutionary Search (CELS), où « cognition » désigne la capacité d’un organisme à s’adapter à son environnement. Plus précisément, nous conceptualisons les interactions comme des génomes, les modèles comme des organismes, et les tâches comme des environnements naturels. À l’instar de la malleabilité génétique qui favorise l’adaptation environnementale, nous évaluons la « fitness » des modèles pour simuler les taux de survie des organismes dans un processus de sélection naturelle. Cela permet ainsi de concevoir et de visualiser un chemin d’évolution, offrant une interprétation intuitive des mécanismes sous-jacents à la modélisation et à la sélection des interactions. À partir du cadre CELS, nous avons développé quatre instanciations, incluant des recherches basées sur des individus et des recherches basées sur des populations. Nous montrons comment les mutations individuelles et les croisements entre populations permettent à CELS d’évoluer vers des modèles diversifiés, adaptés à diverses tâches et jeux de données, fournissant ainsi des modèles prêts à l’emploi. Des expériences étendues sur des jeux de données réels démontrent que CELS surpasse significativement les approches de pointe actuelles.