基于压缩激励网络的注意力因子分解机的点击率预测模型

在互联网技术日趋成熟的今天，广告的点击率(click-through rate, CTR)预测得到越来越多的关注。在特定的商业环境下，广告CTR预测模型的改进可以带来巨大的经济效益。然而特征的多样性和复杂性使得传统的预测模型难以发现海量特征中的重要特征。针对上述问题，提出了基于压缩激励网络的注意力因子分解机的点击率预测模型(squeeze and excitation network based attentional factorization machines model for click-through rate prediction, SEAFM),SEAFM模型通过压缩和激励网络来动态学习特征的重要性，通过注意力网络来学习特征交互的权重，通过深度神经网络(deep neural network, DNN)模块来隐式建模高阶特征交互。实验结果显示，SEAFM模型比现有相关模型具有更好的性能。