论文标题：

MISS: Multi-Interest Self-Supervised Learning Framework for Click-Through Rate Prediction

论文链接：

https://arxiv.53yu.com/pdf/2111.15068.pdf

本文针对CTR预估提出的自监督方法MISS，针对现存问题：

  • 标签稀疏（即用户-商品交互相对于特征空间高度稀疏）、
  • 标签噪声（即收集的用户-商品交互通常是嘈杂的）的风险，
  • 未充分利用领域知识（即样本之间的成对相关性）。

本文提出了一种新颖的多兴趣自我监督学习（MISS）框架，该框架通过兴趣级别的自监督信号增强了特征embedding。在两个新的基于 CNN 的多兴趣提取器的帮助下，使用两个基于CNN的兴趣提取器考虑不同兴趣表征（逐点（point）和联合(union)）、兴趣依赖性（短期(short range)和长期(long range)）以及兴趣相关性（商品间和商品内）。并利用对比学习增强特征的表征学习。

本文特点：

  • 采用CNN挖掘相邻不同商品之间的交互和相同商品不同属性之间的影响，使用不同大小的卷积核来考虑序列中的长短期关系
  • 通过在兴趣级别上的对比学习，增强模型对噪声和稀疏数据的鲁棒性

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除