好久沒有寫排序模型了，最近又看到一篇令人眼前一亮的論文，Deep User Match Network for Click-Through Rate Prediction。該文提出以往的論文都專注于挖掘item與item的關系，又或者是交互特征，都忽視了用戶和用戶之間的關系。這篇論文創新的提出了Deep User Match Network-DUMN，該模型設計了用戶表達層基于用戶歷史興趣學習用戶embeding。然后User Match層考慮了用戶與用戶的相關性，并對目標用戶和候選item直接的相似度進行度量。廢話不多說，直接看模型！

DUMN

先看看DUMN的框架圖輸入包括用戶畫像，用戶行為，候選item的特征，上下文等，輸入就是點擊率。

用戶和items之間有各種交互，如點擊，打分?；谶@種交互，我們可以獲得目標用戶的交互行為和候選集。

用戶行為:指的是給定一個用戶u，我們可以拿到該用戶最近Nu個交互過的item list Iu和所有item的特征。

item行為:給定一個item m，我們可以獲得和該item交互過的一個user list Um 以及這些用戶的特征。Um = [(u1, Iu1), (u2, Iu2), ... , (Ul, Iul)]。

參考著上圖，大家已經對整個模型有了初步的認識了。Embedding Layer不做過多介紹，就是把各種離散特征映射成embedding，通過該層，目標用戶會被映射成eu，候選item會被映射成em，上下文會被映射成ec，用戶行為Iu會被映射成xu，item行為會被映射成zm。其中

用戶表示層(User Representation Layer)，顧名思義就是要把xu和eu合并成一個embedding,當然少不了attention，如下圖所示:

會和候選item做attention，再把item list通過sum pooling合并成一個embedding，最后和user embeddinghebing，如下式：

用戶匹配層(User Match Layer)，繼續參考框架圖，通過Relevance Unit計算item behavior和target user的attention，此處用于挖掘user-to-user的關系，將item behavior進行聚合，論文中使用的就是cos相似度，如下所示:

然后我們就可以通過Relavance Unit計算的相似度對item behavior進行聚合:

同時該模型將相似度總和也作為特征:

最終拼接特征，輸出ctr并計算logloss:

實驗

點擊率預估又有新花樣？

總結

以上是生活随笔為你收集整理的点击率预估又有新花样？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。