计算机工程

作者：蒋兴渝, 黄贤英, 陈雨晶, 徐福

单位：重庆理工大学 计算机科学与工程学院, 重庆 400054

关键词：点击率预测,一阶信息重要性,特征增强,因子分解机,深度神经网络

基金：国家社会科学基金（17XXW005）；重庆理工大学研究生创新项目（clgycx20203118）。

传统点击率（CTR）预测模型多在单一特征级上进行特征交互，未能充分利用不同特征级上的有效信息。基于特征增强聚合方法提出一种融合广告CTR预测（APNN）模型。在CTR预测模型的嵌入层中引入一阶信息重要性进行特征增强，通过注意力因子分解机（AFM）模型与基于乘积产生层的神经网络（PNN）模型融合不同特征级交互特征和增强的嵌入特征，并利用多个全连接层从融合特征中获得更多潜在的高阶信息。实验结果表明，相比AFM、PNN、FNN等模型，APNN模型的预测精度较高，其在Criteo数据集上的AUC和LogLoss指标较PNN模型分别提高1.74和1.42个百分点。

来源：2022年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第1期