為了進一步提高點擊率（Click-through rate,CTR）預(yù)測模型學(xué)習(xí)有效特征組合的能力,該文提出一種基于增強型因子分解向量輸入神經(jīng)網(wǎng)絡(luò)（Enhanced factorization machine supported neural network,EFNN）的廣告點擊率預(yù)測模型。該模型在基于因子分解向量輸入神經(jīng)網(wǎng)絡(luò)（Factorization machine supported neural network,FNN）的基礎(chǔ)上增加了新特征生成層,采用一種針對CTR數(shù)據(jù)的卷積操作,對數(shù)據(jù)進行通道變換后引入Inception結(jié)構(gòu)進行卷積,將生成的新特征和原始特征結(jié)合,提升了深度網(wǎng)絡(luò)的學(xué)習(xí)能力。實驗結(jié)果證明,添加了新特征生成層的增強型FNN能有效提高廣告點擊事件的預(yù)測準確率。 

【文章來源】：南京理工大學(xué)學(xué)報. 2020年01期 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

特征嵌入層示意圖

本文提出的增強型FNN主要由嵌入層、新特征生成層以及全連接層構(gòu)成。如圖2所示,EFNN在FNN的基礎(chǔ)上添加了新特征生成層,并將新特征生成層的輸出結(jié)果輸入DNN,與原FNN結(jié)果在輸出單元進行合并,以此增強FNN的學(xué)習(xí)能力。2.1 新特征生成層

式中:W1∈Rh1×1×1×d1為該層卷積矩陣,其中,h1為卷積核的高度,d1為該層卷積的feature map的數(shù)量。C :,:,i 1 表示第一層卷積結(jié)果中第i個feature map,p和q分別為該feature map中行和列的索引值,f表示選取的非線性激活函數(shù)。在步長為1的條件下,該層卷積的輸出矩陣為C1∈R(n-h1+1)×D×d1。采用常規(guī)卷積方式提取特征組合具有如下缺點:

【參考文獻】：
期刊論文
[1]基于注意力卷積神經(jīng)網(wǎng)絡(luò)的工作票專家推薦方法[J]. 何柔螢,徐建.  南京理工大學(xué)學(xué)報. 2019(01)
[2]基于融合結(jié)構(gòu)的在線廣告點擊率預(yù)測模型[J]. 劉夢娟,曾貴川,岳威,劉瑤,秦志光.  計算機學(xué)報. 2019(07)
[3]基于卷積-LSTM網(wǎng)絡(luò)的廣告點擊率預(yù)測模型研究[J]. 厙向陽,王邵鵬.  計算機工程與應(yīng)用. 2019(02)
[4]基于用戶興趣和項目周期的協(xié)同過濾推薦算法[J]. 葉錫君,袁培森,郭小清,閆智慧,何婧.  南京理工大學(xué)學(xué)報. 2018(04)
[5]基于特征工程的視頻點擊率預(yù)測算法[J]. 匡俊,唐衛(wèi)紅,陳雷慧,陳輝,曾煒,董啟民,高明.  華東師范大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[6]基于GMM-FMs的廣告點擊率預(yù)測研究[J]. 鄧路佳,劉平山.  計算機工程. 2019(05)

博士論文
[1]基于多樣化內(nèi)容數(shù)據(jù)的個性化推薦系統(tǒng)[D]. 練建勛.中國科學(xué)技術(shù)大學(xué) 2018



本文編號：2945513