PulseAugur
中
实时 12:19:56
English(EN) From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction

字段感知Transformer提升CTR预测准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为字段感知Transformer（FAT）的新型Transformer架构，以解决点击率（CTR）预测模型的局限性。与假设序列组合性的标准Transformer不同，FAT专为异构字段上的组合推理而设计，这对于CTR数据至关重要。FAT模型使用以字段为中心的参数重建Transformer块，从而实现结构化表现力和更有效的扩展行为。这种新架构已显示出显著的改进，包括AUC提高高达4.38%，以及在实际生产环境中更好的性能。 AI

影响 引入了一种更高效、更准确的CTR预测架构，有望改进推荐系统和在线广告。

排序理由 提出新颖模型架构的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Bencheng Yan, Yuejie Lei, Zhiyuan Zeng, Zheye Deng, Di Wang, Kaiyi Lin, Pengjie Wang, Chuan Yu, Jian Xu, Bo Zheng ·

    From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction

    arXiv:2511.12081v2 Announce Type: replace-cross Abstract: Despite massive investments in scale, deep models for click-through rate (CTR) prediction often exhibit rapidly diminishing returns -- a stark contrast to the {predictable scaling laws} seen in large language models (LLMs)…

相关实体

相关话题