典型文献
基于深度神经网络的点击率预测模型
文献摘要：
针对现有深度神经网络点击率预测模型在对用户偏好建模时,难以有效且高效地处理用户行为序列的问题,提出长短期兴趣网络(Long and short term interests network,LSTIN)模型,充分利用用户历史记录上下文信息和顺序信息,提升点击率预测精准性和训练效率.使用基于注意力机制的Transformer和激活单元结构完成用户长、短期兴趣建模,对用户短期兴趣进一步使用循环神经网络(Recurrent neural network,RNN)、卷积神经网络(Convolutional neural networks,CNN)进行处理,最后使用全连接神经网络进行预测.在亚马逊公开数据集上开展实验,将提出的模型与基于分解机的神经网络(DeepFM)、深度兴趣网络(Deep interest network,DIN)等点击率预测模型对比,结果表明提出的模型实现了考虑上下文信息和顺序信息的用户历史记录建模,接受者操作特征曲线下面积(Area under curve,AUC)指标为85.831％,相比于基础模型(BaseModel)提升1.154％,相比于DIN提升0.476％.且因区分用户长、短期兴趣,模型能够在提升预测精准性的同时保障训练效率.
文献关键词：
点击率预测;长短期兴趣网络;深度神经网络;注意力机制;循环神经网络;卷积神经网络
中图分类号：
作者姓名：
刘弘历;武森;魏桂英;李新;高晓楠
作者机构：
北京科技大学经济管理学院,北京 100083
文献出处：
引用格式：
[1]刘弘历;武森;魏桂英;李新;高晓楠-.基于深度神经网络的点击率预测模型)[J].工程科学学报,2022(11):1917-1925
A类：
长短期兴趣网络,LSTIN,深度兴趣网络,BaseModel
B类：
深度神经网络,点击率预测,有深度,网络点,用户偏好,用户行为序列,Long,short,term,interests,用用,历史记录,上下文信息,和顺,提升点,精准性,训练效率,注意力机制,Transformer,单元结构,户长,循环神经网络,Recurrent,neural,RNN,Convolutional,networks,全连接神经网络,亚马逊,公开数据集,基于分解,DeepFM,DIN,模型对比,模型实现,接受者,操作特征,特征曲线下面积,Area,under,curve,基础模型,分用
AB值：
0.322596
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
