「xDeepFM」- 论文摘要

基于DNN的分解机模型,能够发现低阶和高阶组合特征,在bit-wise level上,本文提出了Compressed Interaction Network (CIN)网络结构,目的在生成的特征在vector-wise level上,CNN和RNN的功能应用到了CIN上,进一步将CIN和DNN结合,将此网络称为xDeepFM。

「A Convolutional Click Prediction Model」- 论文摘要

对于目前单个广告点击预测,我们能够得到各元素之间成对的相关性,但无法知道元素之间的局部相关性。再者,对于不同时间间隔,顺序点击预测的现有处理方法没有一个好的效果,这对此问题,本文提出一个新颖的模型,卷积点击预测模型(CCPM),其基于卷积神经网络。CCPM可以捕获输入元素的局部特征,无论是在单次点击事件还是在一定时间间隔内顺序点击。

「Matrix Factorization Techniques for Recommender Systems」- 论文摘要

正如Netflix竞赛所证明的那样,矩阵分解模型在生成产品推荐方面优于传统的近邻技术,允许合并其他信息,如隐式反馈、时间效应和置信水平。本文主要对推荐系统中现有的矩阵分解技术进行综述。

「Deep & Cross Network for Ad Click Predictions」- 论文摘要

特征工程是许多预测模型成功的关键,但需要人工进行特征工程的提取,DNNs能自动学习组合特征,但是也会学到无用的组合特征。本文提出Deep&Cross Network(DCN)模型,不仅保持了DNNs模型的优势,而且能够有效的学习bounded-degree的组合特征,尤其DCN模型会在每一层都实现cross feature,不需要人工特征工程。

「Neural Factorization Machines for Sparse Predictive Analytics」- 论文摘要

FM能够有效的发现二阶组合特征,但存在的问题在于,FM捕获的二阶组合特征是线性组合的(其表达式就是线性组合),无法捕获非线性组合特征。现在深度神经网络可以发现非线性的组合特征,例如谷歌的Wide&Deep,微软的DeepCross,但对于这些深度网络,存在的缺点是很难训练。本文提出NFM模型,其能将FM模型捕获的二阶线性组合特征以及神经网络捕获的高阶非线性组合特征组合起来。NFM比FM更具表现力,因为FM可以被看作是NFM不含隐藏层的特例。