Title:XCrossNet: Feature Structure-Oriented Learning for Click-Through Rate Prediction
Link:https://arxiv.org/pdf/2104.10907.pdf
01 概述
推荐场景中特征主要分为两大类:稠密特征(连续特征)和稀疏特征(类别特征),常见的连续特征处理方式有三种:
(1)不参与特征交叉,只参与模型线性部分
(2)直接与类别特征concat一起,这种方式可能导致重要特征维度不平衡问题(连续特征维度一般远小于类别特征维度)
(3)通过分桶方式把连续特征离散化,转化为类别特征,这种方式会引入超参数和损失特征信息(分桶后,同一个桶内连续特征不再有区分度)
大多数模型侧重类别特征交叉计算,忽视了连续特征交叉表达,很少针对不同特征结构单独学习特征表达。针对上述问题,论文提出XCrossNet模型,用更明确的方式分别学习连续特征和类别特征的交叉组合。
02 模型
XCrossNet模型结构如下图,由三个阶段构成:
(1)特征交叉:对于连续特征和类别特征,分别通过Cross Layer和Product Layer各自进行交叉计算
(2)特征连接:连续特征和类别特征交叉结果拼接在一起,通过Cross Layer进一步学习不同结构特征交叉组合
(3)特征选择:通过MLP学习非线性以及相对重要度
2.1 问题说明
2.2 特征交叉
2.2.1 连续特征交叉层
2.2.2 类别特征embedding层和product层
2.3 特征连接
2.4 特征选择
03 实验
更多精彩:
网友评论