基于深度网络模型压缩的广告点击率预估模型
2021-01-22李致贤张红梅
桂林电子科技大学学报 2020年5期
李致贤, 张红梅
(桂林电子科技大学 广西高校云计算与复杂系统重点实验室,广西 桂林 541004)
随着互联网的发展,互联网广告在广告营销产业所占比重在逐年增加,成为很多互联网广告公司重要收入来源。许多互联网公司构建了不同的广告系统来提高互联网广告的转化率,并以此为用户提供更好的服务体验。
广告点击率预估模型是广告系统的核心组成部分,其最初采用LR的方法[1],该模型简单易用,却忽略了特征间的非线性关系。为了利用特征间的组合信息,2010年Rendle[2]提出了FM(factorization machine)模型,该模型在原有的线性模型的基础增加二次多项式组合部分,采用矩阵分解的方法将二阶特征组合系数进行分解,提高了点击率预估效果。随着近几年深度学习的不断发展以及深度学习对多维数据复杂关系处理的优越性,推荐系统领域将深度学习的方法引入其中。许多学者针对特征交互方面做出改进,现有模型可分为并行结构和串行结构2种。并行结构是低维特征组合部分和深度神经网络部分分开计算,输出层将两部分的计算结果合并,并采用sigmoid函数输出,代表模型有DCN[3]、Deep FM[4]、xDeepFM[5]。串行结构是将低维特征组合的结果作为深度神经网络的输入,经深度神经网络的特征交互最终由输出层输出,代表模型有FNN[6]、SNN[7]、PNN[8]。采用深度学习模型捕捉高维特征间的非线性关系可提高广告点击率预估的正确率。然而以上基于深度学习的点击率预估模型忽略了不同的特征组合对于点击率预估结果重要程度的不同,难以有效捕捉高阶特征组合间的非线性关系。……
登录APP查看全文
