畳み込みニューラルネットワークによるクリックスルー率予測の特徴生成

クリックスルー率（CTR）予測は、推薦システムにおいて重要なタスクであり、ユーザーが特定のアイテムをクリックする確率を推定することを目指しています。最近では、多くの深層モデルが提案され、元の特徴から低次および高次の特徴相互作用を学習することに注力しています。しかし、有用な相互作用は常に疎であるため、大量のパラメータを持つ深層ニューラルネットワーク（DNN）がそれらを効果的に学習することは困難です。実際のシナリオでは、人工的な特徴（例えばワイド＆ディープラーニング）を使用することで深層モデルの性能向上が可能ですが、特徴エンジニアリングはコストがかかり、ドメイン知識が必要となるため、異なるシナリオでの実用性に欠けます。したがって、自動的に特徴空間を拡張することが必要となります。本論文では、新しいFeature Generation by Convolutional Neural Network (FGCNN) モデルを提案します。このモデルには2つのコンポーネントがあります：Feature GenerationとDeep Classifier。Feature GenerationはCNNの強みを利用して局所パターンを生成し、それらを再結合して新しい特徴を生成します。Deep ClassifierはIPNNの構造を取り入れて、拡張された特徴空間から相互作用を学習します。3つの大規模データセットにおける実験結果は、FGCNNが9つの最先端モデルよりも著しく優れていることを示しています。さらに、いくつかの最先端モデルをDeep Classifierとして適用した場合でも常に高い性能が得られることから、当社のFGCNNモデルの高い互換性が確認されました。本研究はCTR予測における新たな方向性を探求しており、自動的に重要な特徴を見出すことでDNNの学習難易度を軽減することが非常に有益であることが示されています。