Fi-GNN：CTR予測のためのグラフニューラルネットワークを用いた特徴相互作用モデリング

クリック率（CTR）予測は、オンライン広告やレコメンデーションシステムなど、Webアプリケーションにおいて重要なタスクであり、その特徴量は通常、複数の特徴フィールド（field）から構成される。このタスクの鍵は、異なる特徴フィールド間の特徴量相互作用を適切にモデル化することにある。近年、深層学習に基づくモデルが提案されており、一般的な枠組みとして、元のスパースな多フィールド特徴量をまず密度型のフィールド埋め込みベクトルにマッピングし、その後単純に連結して深層ニューラルネットワーク（DNN）や特化されたネットワークに供給することで、高次元の特徴量相互作用を学習するというアプローチが採られている。しかし、特徴フィールドを単純に「非構造的な組み合わせ」で扱う方法では、異なるフィールド間における複雑な相互作用を十分に柔軟かつ明示的にモデル化する能力に inherently 限界が生じる。本研究では、多フィールド特徴量を直感的にグラフ構造で表現することを提案する。このグラフにおいて、各ノードが一つの特徴フィールドを表し、異なるフィールド間はエッジを通じて相互作用する。これにより、特徴量相互作用のモデル化問題は、対応するグラフ上のノード間相互作用のモデル化問題に変換される。この目的のために、新規なモデルである「特徴量相互作用グラフニューラルネットワーク（Feature Interaction Graph Neural Networks, Fi-GNN）」を設計した。グラフの強力な表現能力を活かすことで、本モデルは柔軟かつ明示的な形で複雑な特徴量相互作用をモデル化できるだけでなく、CTR予測における良好なモデル解釈性も提供する。実世界の2つのデータセットを用いた実験結果から、既存の最先端手法を上回る性能を示した。