CTR prediction for online advertising based on a features conjunction model
PulseAugur coverage of CTR prediction for online advertising based on a features conjunction model — every cluster mentioning CTR prediction for online advertising based on a features conjunction model across labs, papers, and developer communities, ranked by signal.
-
DeRes架构通过双残差路径改进CTR预测
研究人员推出了一种新颖的Transformer基础CTR预测模型架构DeRes，它解耦了残差稳定性和自适应性。这种新设计采用了并行的恒等映射和注意力块残差路径，能够更好地保留早期信号并更有效地回忆长距离依赖关系。DeRes在大规模数据集上表现出卓越的性能，在计算成本仅略微增加的情况下超越了现有模型，并提供了显著更陡峭的计算-AUC缩放定律。
-
双流MLP推动推荐系统CTR预测发展
研究人员推出了一种名为双流MLP（DS-MLP）的新框架，旨在改进广告和推荐系统中的点击率（CTR）预测。该方法利用知识蒸馏将显式特征交互集成到主MLP中，同时并行的MLP捕获隐式交互。DS-MLP旨在降低现有双流架构相关的计算复杂性和过拟合风险。实验表明，DS-MLP在多个基准测试中取得了最先进的性能，为大规模系统提供了一种高效的解决方案。
-
字段感知Transformer提升CTR预测准确性
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。
-
新的MATT-CTR范式提高了点击率预测的准确性
研究人员推出了一种新颖的测试时范式MATT-CTR，旨在提高点击率（CTR）预测模型的准确性。该方法模型无关，专注于在推理而非训练过程中提高预测精度。MATT-CTR使用分层概率哈希方法量化特征组合的置信度，然后基于这些置信度分数生成多个推理路径，以减轻不可靠特征的影响。通过广泛的离线实验和在线A/B测试验证，这些路径的聚合预测带来了更稳健的结果。
-
新的GenLI模型通过兴趣生成增强点击率预测
研究人员开发了一个名为GenLI的新模型，以改进广告和推荐系统中的点击率（CTR）预测。GenLI通过生成多样化的、与目标无关的用户兴趣分布，解决了现有两阶段框架的局限性。这种方法避免了复杂、耗时的匹配过程，并整合了用户行为之间的交互，以实现更准确、更高效的预测。