PeNet:一种功能激发学习方法,用于预测广告点击率

科学领域:

• 机器学习 机器学习
• 数据挖掘 数据挖掘
• 人工智能的人工智能

背景情况:

• 预测广告点击率 (CTR) 取决于功能交互方法.
• 当前的方法往往忽略了挖掘潜在的新功能,限制了交互的有效性.
• 数据集特征的未知物理含义需要强大的特征选择和交互策略.

研究的目的:

• 提出一种新的神经网络模型,PeNet,它将潜在的新功能挖掘与功能交互相结合,用于改进CTR预测.
• 研究利用新生成的特征与现有特征一起利用的方法,以实现更有效的特征交互.
• 通过解决当前功能交互技术的局限性,提高CTR预测模型的性能和效率.

主要方法:

• 提出了潜在特征激发学习网络 (PeNet),一种神经网络模型.
• 引入了一个基于加权特征相互作用的残余原理的激发学习机制.
• 处理特征矩阵的行和列压缩作为潜在的新特征.
• 利用深度神经网络进行代特征学习和组合.

主要成果:

• 通过其激发学习机制,PeNet有效地加强相关特征并削弱非相关特征.
• 在基准数据集上的实验结果表明,与最先进的方法相比,PeNet的性能和效率优越.
• 作为一个通用插件,PeNet可以适应各种CTR预测任务.

结论:

• 通过有效地将潜在的新功能与功能交互集成,PeNet在CTR预测方面取得了重大进展.
• 拟议的激发学习机制提高了模型的稳定性和预测准确性.
• 在机器学习应用中,PeNet为功能工程和交互提供了一种有前途且高效的方法.