-
题名基于特征增强聚合的融合广告点击率预测模型
被引量：4
- 1
-
-
作者
蒋兴渝
黄贤英
陈雨晶
徐福
-
机构
重庆理工大学计算机科学与工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第1期312-320,共9页
-
基金
国家社会科学基金(17XXW005)
重庆理工大学研究生创新项目(clgycx 20203118)。
-
文摘
传统点击率(CTR)预测模型多在单一特征级上进行特征交互,未能充分利用不同特征级上的有效信息。基于特征增强聚合方法提出一种融合广告CTR预测(APNN)模型。在CTR预测模型的嵌入层中引入一阶信息重要性进行特征增强,通过注意力因子分解机(AFM)模型与基于乘积产生层的神经网络(PNN)模型融合不同特征级交互特征和增强的嵌入特征,并利用多个全连接层从融合特征中获得更多潜在的高阶信息。实验结果表明,相比AFM、PNN、FNN等模型,APNN模型的预测精度较高,其在Criteo数据集上的AUC和LogLoss指标较PNN模型分别提高1.74和1.42个百分点。
-
关键词
点击率预测
一阶信息重要性
特征增强
因子分解机
深度神经网络
-
Keywords
Click-Through Rate(CTR)prediction
first-order information importance
feature enhancement
Factorization Machine(FM)
Deep Neural Network(DNN)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名特征重要性动态提取的广告点击率预测模型
被引量：2
- 2
-
-
作者
蒋兴渝
黄贤英
陈雨晶
徐福
-
机构
重庆理工大学计算机科学与工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2022年第5期976-984,共9页
-
基金
国家社会科学基金项目(17XXW005)资助
重庆理工大学研究生创新项目(clgycx20203118)资助。
-
文摘
点击率预测(Click-Through Rate,CTR)是在线展示广告中的一项关键任务,CTR预测任务中涉及的数据通常有多个特征,对其中的重要特征提取、建模的方式极大地影响了CTR预测的准确性.以往方法在特征重要性提取过程中存在信息干扰问题.针对这一问题,提出了一种特征重要性动态提取的广告点击率预测模型.该模型将门控机制引入CTR模型对特征重要性进行初步筛选,同时利用了挤压提取网络获取特征重要性,并通过双线性交互获得重要性特征之间的关联信息,最后使用了隐藏门控残差网络学习高阶信息交互.通过对两个真实广告数据集进行的广泛实验,证明了其能够比传统的点击率预测模型以及最新的基于深度学习的预测模型获得更好的准确度.
-
关键词
点击率预测
特征重要性提取
门控机制
残差网络
深度神经网络
-
Keywords
click-through rate prediction
feature importance extraction
gating mechanism
residual network
deep neural network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名用于方面提取的多元关系协作学习模型
被引量：2
- 3
-
-
作者
徐福
黄贤英
蒋兴渝
彭竞瑶
-
机构
重庆理工大学计算机科学与工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2021年第8期2328-2333,共6页
-
基金
国家自然科学基金资助项目(17XXW005)。
-
文摘
方面级情感分析广泛应用于商品评价、餐饮、电商决策等,该任务的一个核心点是方面词提取。目前常用方法是用观点词来辅助提取方面词对文本进行序列标注,或使用跨度标记法预测方面词开始与结束的位置。这些方法没有考虑到观点词提取、情感极性分类对方面词提取的影响。针对这个问题提出一种用于方面提取的多元关系协作学习模型,利用观点词提取、方面词提取、情感极性分类间的关系建模,在关系中实现多任务的协作学习与联合训练。在REST14、REST15和LAP14三个数据集上进行的实验结果表明,提出的方法优于目前的最新方法。
-
关键词
方面级情感分析
方面词提取
协作学习
联合训练
-
Keywords
aspect-level sentiment analysis
aspect word extraction
collaborative learning
joint training
-
分类号
TP393.04
[自动化与计算机技术—计算机应用技术]
-
-
题名用于方面提取的软原型增强自适应损失模型
被引量：1
- 4
-
-
作者
徐福
黄贤英
蒋兴渝
彭竞瑶
-
机构
重庆理工大学计算机科学与工程学院
-
出处
《计算机应用研究》
CSCD
北大核心
2021年第11期3310-3315,共6页
-
基金
国家自然科学基金资助项目(17XXW005)。
-
文摘
方面提取是方面级情感分析的一个核心任务,目前方法是用方面提取、观点提取、方面级情感分类间的关系构建多元关系协作学习模型。常用的数据集中存在大多数方面词和上下文词的出现次数较少,缺乏样本暴露量等问题,使序列标注器收敛到一个极差的区域,且由于在计算模型总损失时忽略了不同部分对方面提取效果的差异,导致神经网络模型几乎无法达到最佳性能。因此提出用于方面提取的软原型增强自适应损失模型(SPEAL),通过软检索建立低样本暴露量文本与高样本暴露量文本之间的动态关性,同时根据方面提取、观点提取、方面级情感分类对方面提取的贡献度自适应更新各部分损失的权重。在REST14、REST15、LAP14三个数据集上的实验结果表明,SPEAL在加速收敛的同时提升了方面提取的效果。
-
关键词
方面提取
情感分析
软检索
自适应损失
-
Keywords
aspect extraction(AE)
sentiment analysis
soft retrieval
adaptive loss
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
