摘要
摘要核心
-
网络结构的非线性抽取特征是一种隐式特征表征
-
当前的ctr模型无法完全捕获特征的相互组合
-
作者提出一种网络结构Co-Action Network
-
Co-Action Network综合参数，存储，计算等的考量，能够进行在线部署
-
阿里巴巴线上效果ctr提升12% ，RPM提升8%
算法
DeepFM
在论文中作者将CAN与DeepFM进行横向对比
image-20220227234057218.png
DIEN
image-20220227234201388.png
与DeepFM相同，DIEN也是通过隐式向量表征进行操作，丢失了显式信息。
NCF
image-20220227234232948.png
同上。
算法模型
image-20220227234707715.png
消融实验：自身的对比
CAN结构
image-20220227234804124.png
image-20220227234849574.png
左侧CAN单元：基于特征转化为对应的参数权重，参数权重进入对应的co-action网络抽取出对应的向量/参数，处理后传入DNN输入层。
右侧DIN单元：通过向量获取到每个特征对应的向量值，经过DIN层后抽取成一个向量输入到DNN输入层。
DNN输入层进行concat...softmax得到结果。
image-20220227235009799.png
输入部分包含用户行为序列（用户点击历史、历史类别物品）、Target与用户属性信息（user age分桶得到离散值，对应hash化）、其他类特征(gender、 item price)。
微信截图_20220227235044.png
两个部分可以用同一个大参数服务器PS包含上述两个部分（key-value）的存储。
有多少个hashcode就有多少个key。
通过一个key取出一个很长的向量，前半部分是embedding，后半部分是weight，取出来后基于大小进行切分可分别放入向量层与权重层。
DIN部分
image-20220227235323833.png
目标item向量与内部的序列向量进行加权
微信截图_20220227235353.png
基于序列化模型抽取加入目标item加权。
最终得到三部分输入到DNN中：目标item向量、用户点击序列向量、用户属性向量。
CAN部分
image-20220228174245458.png
image-20220228174303760.png
目标item向量与每个用户序列向量进行操作，对应输入到Co-Action网络单元中输出对应的权重向量。
目标item向量也会与用户其他特征进行操作输入到Co-Action网络单元中输出对应的权重向量。
算法细节
重点：Co-Action Unit结构
image-20220227235613628.png
注意点：
-
权重的长度：用户向量与目标item向量通常不一致
-
网络的大小：MLP结构
-
Pitem和Puser如何进行切分：目标item与用户特征
-
Reshape和MLP：切分后reshape会变成对应的权重与偏置，MLP网络如何计算。
image-20220227235713412.png
网络左侧输入Pitem通常向量是较长值。
[w1,w2.w3.w4.w5,w6]切分为三个值。
w1/w2/w3：weight， w6/w5/w4: bias
w11 = w7^1+ w8^2 + w9^3(w8与w9进行了高阶增强转化之后才进行求和)
L1/L2/L3：特征交叉，Fn激活函数
笛卡儿积转化为MLP中权重之间的乘积。
最终输出L3层。
image-20220227235916084.png
image-20220227235956450.png
Puser -> matrix [hashcode * D]
Pitem -> matrix [hashcode * T]
D < T（D与T为向量长度）
image-20220228000025787.png
image-20220228000047740.png
实验设置和结果分析
image-20220228000210466.png
image-20220228000231195.png
三阶、8层、tanh
image-20220228000253594.png
image-20220228000319330.png
问题
实验阶段的对比存在问题，CAN网络中本身就包含了DIEN，却还是与DIEN进行对比。
本该去掉DIEN来进行对比。
线上部署方案
如何尽可能的减少参数的量，从而达到减少计算量和存储量？
image-20220228000433333.png
总结
关键点
-
Co-Action单元
-
扩展性，序列和非序列都有效
-
在线部署方案
创新点
-
采用MLP实现权重之间的相乘
-
一种完成不一样的思路
代码实践
image-20220228000758700.png
网友评论