【CTR预估】CTR模型如何加入稠密连续型和序列型特征？

“ CTR预估任务中除了广泛使用的稀疏离散型特征外，还会用到稠密连续型以及一些序列类型的特征，本文为大家简要梳理几种特征的处理方式～”

稠密连续类型特征的处理

在点击率预估问题中，可以尝试的几种方法

1. 归一化后直接输入dnn部分，不参与fm部分交叉
2. 不归一化经过bn后输入dnn，不参与fm部分交叉
3. 离散化后作为id feature, embedding后与其他sparse feature的embedding 一起参与fm的交叉
4. 为每一个field下的dense value  维护一个embedding vector  ,取  作为其最终的embedding表示，与其他sparse feature的embedding一起参与fm的交叉,如下图右侧的Feature field M

3和4的区别在于3中根据dense value的取值会分配到不同的embedding vector，而4中的不同的dense value只有一个embedding vector

整理自浅梦在【数值类型的特征怎么加入深度模型如nfm，deepfm?】的回答https://www.zhihu.com/question/348103064/answer/878224028

带权重序列类型特征的处理

这个问题抽象出来就是给定一个由若干个(item_id,weight)组成的列表，如何将这个信息用在模型里面。通常来说这种列表的含义可以是用户历史偏好的item_id以及偏好权重，或者是历史收藏加购过的商品或者对应店铺的次数等等。对于问题中的数据
 

一般情况有以下两种做法来使用这个信息：

1. 不考虑上下文因素，直接将这个列表输入。

• 回归到最简单的情况，给定一个无权序列，我们一般可以通过sum/mean pooling 的方式将一个变长序列压缩到一个定长的向量，输入给我们的模型。
• 那么对于带权序列，其实可以看作是一个weighted sum/mean pooling的过程，其实有点类似引入一个attention机制，只不过attention score是预先计算好的。
• 这种方法完整保留了用户所有的偏好信息，更多的是作为一种用户侧表征。

对于上述数据，我们得到的表示向量为(不考虑score的归一化) 

2. 考虑上下文因素，根据当前预估item进行一个查表操作。

• 比如我们当前打分item属于标签1，那么直接查表得到('标签1', 0.8)，这个时候我们可以选择直接使用权重0.8作为输入，或者选择用0.8*emb(标签1)作为输入。
• 这种方法表达的是用户对于当前item的偏好。

整理自浅梦在【CTR预估：(标签-权重)列表类特征怎么输入到模型？】的回答

https://www.zhihu.com/question/352399723/answer/869939360

普通序列类型特征的处理

这里就有比较多的方式了，最常用的mean/sum pooling，target attention，self attention以及一些时序建模的方法～ 关注公众号，未来会一一为大家介绍

参考资料

AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks https://arxiv.org/abs/1810.11921

以上就是常用的CTR模型中对稠密连续型和序列特征的处理方法，欢迎关注公众号浅梦的学习笔记，回复“加群”一起参与讨论交流！

相关推荐

• 用户画像必会的行为偏好计算方法

• 【CTR预估】FLEN: 一种时空高效的利用特征场信息缓解梯度耦合的CTR预测模型

• 【CTR预估】CTR模型如何加入稠密连续型和序列型特征？

• 【CTR预估】你真的需要 pairwise LTR吗？速览搜索推荐中pointwise和pairwise方法

• Learning to rank基本算法小结

• 视频点击预测大赛 Top5 DeepCTR baseline 

喜欢的话点个在看吧👇