CTR预估模型(与POI推荐关系)

Posted 2023-04-06

参考技术A

业界 | 从FM推演各深度CTR预估模型
本文对该文章的keypoint进行整理，同时对CTR预估模型与POI推荐进行比较。

也是 利用深度学习的POI推荐系统的通用框架 ，如图，图中架构以embedding+MLP作为baseline，利用邻域信息（即各种contexts，e.g. user context, POI context etc.）进一步提高推荐性能:

Embedding+MLP 存在的问题：只学习高阶特征组合，对于低阶或者手动的特征组合不够兼容，而且参数较多，学习较困难

CTR预估模型

参考技术A

CTR：click-through-rate，找到用户的反馈行为（例如点击、收藏、购买等）与各种特征（包括用户特征、广告特征等）之间的关系。

特征数据特点：原始数据通常包括的特征特别多，而且一般会用one-hot-coding的方法进行记录，但是这样构成的数据高维、稀疏。

特征的编码：直接用one-hot会有问题，就像上边提到的，高纬稀疏不利于后面的处理，所以大部分的CTR预估模型都会对one-hot特征进行embedding。压缩编码的方式有：神经网络模型（nnlm, word2vec）、矩阵分解（MF）、因子分解机（FM）等。

CTR预估模型本质是个二分类的问题，因为主要是去建模预测用户是否会点击某个广告。

图1展示了两条CTR预估模型推演的过程。
红色的展示了：从FM开始推演其在深度学习上的各种推广;
黑色的展示了：从embedding+MLP自身演变的过程并结合CTR预估本身的业务场景推进的过程。

LR模型一般是CTR预估问题的基线模型，简单、可解释性强，但是由于本身的局限，不能处理特征和目标之间的非线性关系，尤其是在特征选择上，严重依赖于工程师的经验。
为了让线性模型能学习到原始特征和拟合目标之间的非线性关系，通常会对原始特征做非线性转换，例如：连续特征离散化、特征交叉（即利用领域知识，融入到模型中）等。

先将特征通过GBDT学习到每个叶子节点的编号做为新的特征，做为LR的输入。原因：GBDT能学习到高阶非线性特征组合。

CTR: LR、GBDT、FM、FNN、PNN、wide & Deep、DeepFM、DCN（Deep cross network）、xDeepFM
https://zhuanlan.zhihu.com/p/35465875
https://fuhailin.github.io/Deep-and-Cross-Network/
https://arxiv.org/pdf/1803.05170.pdf
xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
https://zhuanlan.zhihu.com/p/57162373
https://zhuanlan.zhihu.com/p/83784018
Deep Interest Evolution Network for Click-Throug(阿里的一篇文章，2019 AAAI)

https://www.jiqizhixin.com/articles/2018-07-22-19