FinalMLP：一种增强的用于CTR预测的双流MLP模型
摘要：点击率（CTR）预测是在线广告和推荐中的基本任务之一。虽然多层感知器（MLP）在许多深度CTR预测模型中作为核心组件，但广泛认为仅应用纯粹的MLP网络学习乘子特征交互是低效的。因此，许多两流交互模型（如DeepFM和DCN）已经通过将MLP网络与另一个专用网络集成，用于增强CTR预测。由于MLP流隐式学习特征交互，现有研究主要关注增强补充流中的显式特征交互。相比之下，我们的实证研究表明，一个良好调整的简单组合两个MLP的两流MLP模型甚至可以实现出人意料的良好性能，这在现有研究中从未报道过。基于这一观察，我们进一步提出了可以轻松插入的特征控制和交互聚合层，以构建增强的两流MLP模型FinalMLP。通过这种方式，它不仅可以实现差异化的特征输入，还可以有效地融合两个流之间的流级交互。我们在四个公开基准数据集以及我们的工业系统上进行的在线A/B测试的评估结果显示，FinalMLP比许多复杂的两流CTR模型实现了更好的性能。我们的源代码将在MindSpore/models中提供。
作者：Kelong Mao, Jieming Zhu, Liangcai Su, Guohao Cai, Yuru Li, Zhenhua Dong
论文ID：2304.00902
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-05-31