论文地址:[2312.06424] Cross Domain LifeLong Sequential Modeling for Online Click-Through Rate Prediction

“Cross-Domain LifeLong Sequential Modeling for Online Click-Through Rate Prediction”提出了用于跨域终身序列建模(LSM)的终身交叉网络(LCN),以解决社交媒体平台中跨域点击率(CTR)预测问题。创新的CRP和LAP模块提升了模型性能,在实验中表现优异,为跨域推荐系统提供了有效方法。

  1. 研究背景

  2. CTR预测的重要性与挑战:CTR预测是许多应用的关键任务,其精度依赖于对用户意图的理解。社交媒体平台的发展使数据量和用户行为复杂性增加,跨域行为序列建模成为挑战,传统方法在跨域LSM中面临问题。

  3. 相关工作的局限性:现有LSM和跨域推荐方法未充分解决跨域LSM的独特挑战,如GSU中项目嵌入的跨域泛化性差,ESU在跨域序列中处理噪声的能力不足。

  4. 方法介绍

  5. 模型概述:LCN由Cross Representation Production(CRP)模块和Lifelong Attention Pyramid(LAP)模块组成,旨在提高跨域项目相似性学习和用户兴趣提取能力。

  6. CRP模块

    • CPR是一个联合训练的子网络(构造对比学习loss,辅助训练),其目标是通过跨域连接item学习item embedding,以此增强从源域中的终身序列识别出与target item最相关的item的表达能力。
    • 正负采样:基于用户短期行为序列跨域采样正负样本对,包括域内和跨域的正样本对及相应负样本对,利用用户短期兴趣稳定性假设。
    • 损失函数:采用对比损失函数,综合不同类型正样本对的损失,促使模型最小化正样本对的余弦距离,增强项目嵌入学习。
  7. LAP模块

    • LAP利用三个级联注意力层从长序列中逐级提取与目标item最相关的子序列,从而精准捕捉用户的兴趣。
    • 完整范围注意力(CSA):作为第一层,对整个终身序列进行宽泛搜索,通过简单内积计算注意力分数,筛选出前$K_1$个项目进入下一层,并生成初步兴趣表示。
    • 中范围注意力(MSA):中间层引入额外上下文信息,通过更复杂的注意力计算进一步筛选项目,缩小最终注意力层的项目池,增强模块一致性。
    • 聚焦范围注意力(FSA):最后一层采用类似多头变压器解码器的注意力技术,对筛选后的项目进行精细处理,生成最终兴趣表示,并整合各级结果确保梯度传播。
  8. 实验设置与结果

  9. 实验设置

    • 数据集:使用淘宝和微信视频号的数据集,分别进行划分和预处理,构建源域、目标域及不同类型的行为序列。
    • 对比方法:选择SIM Soft、ETA、SDIM、TWIN等SOTA方法进行比较,遵循其原始参数配置。
    • 评估指标:离线采用AUC、GAUC和Logloss,在线采用CTR和停留时间,并监测推理延迟。
    • 参数设置:介绍网络架构、特征处理、模型初始化、优化器及训练设备等参数设置。
  10. 模块分析

    • CRP模块:消融研究表明对比损失对性能提升有重要作用,可视化显示其增强了源域项目嵌入质量,在不同LSM框架中集成也能提高性能。
    • LAP模块:消融实验证明其优于基线模型,对$K_1$和$K_2$不敏感,一致性分析显示MSA提高了各层一致性,在单域LSM中也有较好表现。
    • 整体性能:在公共和工业数据集上,LCN均优于其他方法,工业数据集上的优势更明显,体现了其在实际场景中的有效性。
    • 在线测试:在线A/B测试中,LCN - 200 - 50在CTR和停留时间上有显著提升,推理延迟增加可忽略不计。