TFNet: CTR 예측을 위한 다중 의미 특성 상호작용

CTR(클릭률) 예측은 계산형 광고 및 추천 시스템 분야에서 핵심적인 역할을 한다. 이 분야에서는 로지스틱 회귀(Logistic Regression, LR), 인자 분해 기계(Factorization Machines, FM), 그리고 Wide&Deep, 신경 인자 분해 기계(Neural Factorization Machines, NFM), DeepFM과 같은 딥러닝 기반 방법 등 다양한 접근 방식이 제안되어 왔다. 그러나 이러한 기존 방법들은 일반적으로 각 특성 쌍 간의 벡터 곱을 사용하는 방식을 채택하고 있으며, 이로 인해 특성 간 상호작용의 다양한 의미적 공간(semantic spaces)을 무시하는 경향이 있다. 본 논문에서는 다중 의미적 공간 내에서 다중 슬라이스 행렬을 활용하여 특성 상호작용을 보다 정교하게 표현하기 위해, 텐서 기반 특성 상호작용 네트워크(Tensor-based Feature Interaction Network, TFNet) 모델을 제안한다. 광범위한 오프라인 및 온라인 실험 결과를 통해 TFNet이 다음과 같은 성과를 보였다: 1) 대표적인 Criteo 및 Avazu 데이터셋에서 경쟁 기법들을 능가하는 성능을 달성하였으며, 2) 중국 최대의 앱 추천 시스템인 텐센트 앱마이(Tencent MyApp)에서 실시한 온라인 A/B 테스트에서 수익 및 클릭률 측면에서 큰 개선을 이뤄냈다.