基于增强型FNN的广告点击率预测模型

发布时间：2020-12-29 10:48

　　为了进一步提高点击率（Click-through rate,CTR）预测模型学习有效特征组合的能力,该文提出一种基于增强型因子分解向量输入神经网络（Enhanced factorization machine supported neural network,EFNN）的广告点击率预测模型。该模型在基于因子分解向量输入神经网络（Factorization machine supported neural network,FNN）的基础上增加了新特征生成层,采用一种针对CTR数据的卷积操作,对数据进行通道变换后引入Inception结构进行卷积,将生成的新特征和原始特征结合,提升了深度网络的学习能力。实验结果证明,添加了新特征生成层的增强型FNN能有效提高广告点击事件的预测准确率。 

【文章来源】：南京理工大学学报. 2020年01期 北大核心

【文章页数】：7 页

【部分图文】：

特征嵌入层示意图

本文提出的增强型FNN主要由嵌入层、新特征生成层以及全连接层构成。如图2所示,EFNN在FNN的基础上添加了新特征生成层,并将新特征生成层的输出结果输入DNN,与原FNN结果在输出单元进行合并,以此增强FNN的学习能力。2.1 新特征生成层

式中:W1∈Rh1×1×1×d1为该层卷积矩阵,其中,h1为卷积核的高度,d1为该层卷积的feature map的数量。C :,:,i 1 表示第一层卷积结果中第i个feature map,p和q分别为该feature map中行和列的索引值,f表示选取的非线性激活函数。在步长为1的条件下,该层卷积的输出矩阵为C1∈R(n-h1+1)×D×d1。采用常规卷积方式提取特征组合具有如下缺点:

【参考文献】：
期刊论文
[1]基于注意力卷积神经网络的工作票专家推荐方法[J]. 何柔萤,徐建.  南京理工大学学报. 2019(01)
[2]基于融合结构的在线广告点击率预测模型[J]. 刘梦娟,曾贵川,岳威,刘瑶,秦志光.  计算机学报. 2019(07)
[3]基于卷积-LSTM网络的广告点击率预测模型研究[J]. 厍向阳,王邵鹏.  计算机工程与应用. 2019(02)
[4]基于用户兴趣和项目周期的协同过滤推荐算法[J]. 叶锡君,袁培森,郭小清,闫智慧,何婧.  南京理工大学学报. 2018(04)
[5]基于特征工程的视频点击率预测算法[J]. 匡俊,唐卫红,陈雷慧,陈辉,曾炜,董启民,高明.  华东师范大学学报(自然科学版). 2018(03)
[6]基于GMM-FMs的广告点击率预测研究[J]. 邓路佳,刘平山.  计算机工程. 2019(05)

博士论文
[1]基于多样化内容数据的个性化推荐系统[D]. 练建勋.中国科学技术大学 2018



本文编号：2945513