为了充分利用特征间的高阶交互以提升点击率预测模型的预测精度,提出了一种基于图神经网络和注意力的点击率预测模型VBGA (vector-wise and bit-wise interaction model based on GNN and attention),该模型借助图神经网络和注意力机制...为了充分利用特征间的高阶交互以提升点击率预测模型的预测精度,提出了一种基于图神经网络和注意力的点击率预测模型VBGA (vector-wise and bit-wise interaction model based on GNN and attention),该模型借助图神经网络和注意力机制,为每个特征分别学习一个细粒度的权重,并将这种细粒度的特征权重输入到向量级交互层和元素级交互层联合预测点击率.VBGA模型主要由向量级交互层和元素级交互层构成,其中向量级交互层采用有向图来构建向量级的特征交互,实现无重复的显式特征交互,在减少计算量的同时,还可以实现更高阶的特征交叉,以获得更准确的预测精度.此外,本文还提出了一种交叉网络用于构建元素级特征交互.在Criteo和Avazu数据集上,与其他几种最先进的点击率预测模型进行了比较,实验结果表明,VBGA可以获得良好的预测结果.展开更多
农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一...农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一种基于卷积神经网络的时间序列高效卷积网络(Time series efficient convolution network,TECNet),用于农机备件需求量的预测。该模型首先利用快速傅里叶变换对原始一维序列进行周期性提取,然后根据周期性构建二维时间序列卷积模块进行特征提取,最后将二维特征重塑回一维特征,并通过线性变换得到预测值。利用某农机备件供应商4种不同备件类型的销售数据进行了评估验证,并引入均方根缩放误差作为衡量指标,以统一不同序列间的预测效果。试验结果表明,提出的模型预测效果显著优于其他参考模型,4种不同备件需求量预测的均方根缩放误差分别为0.775、1.349、0.822、0.205,均表现出良好的预测效果。该模型能有效考虑时间序列中的时间依赖关系,具有捕捉时间序列数据中非线性模式的能力,对不同农机备件类型的预测任务均能取得良好的效果,可为预测农机备件需求量提供参考。展开更多
文摘为了充分利用特征间的高阶交互以提升点击率预测模型的预测精度,提出了一种基于图神经网络和注意力的点击率预测模型VBGA (vector-wise and bit-wise interaction model based on GNN and attention),该模型借助图神经网络和注意力机制,为每个特征分别学习一个细粒度的权重,并将这种细粒度的特征权重输入到向量级交互层和元素级交互层联合预测点击率.VBGA模型主要由向量级交互层和元素级交互层构成,其中向量级交互层采用有向图来构建向量级的特征交互,实现无重复的显式特征交互,在减少计算量的同时,还可以实现更高阶的特征交叉,以获得更准确的预测精度.此外,本文还提出了一种交叉网络用于构建元素级特征交互.在Criteo和Avazu数据集上,与其他几种最先进的点击率预测模型进行了比较,实验结果表明,VBGA可以获得良好的预测结果.
文摘农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一种基于卷积神经网络的时间序列高效卷积网络(Time series efficient convolution network,TECNet),用于农机备件需求量的预测。该模型首先利用快速傅里叶变换对原始一维序列进行周期性提取,然后根据周期性构建二维时间序列卷积模块进行特征提取,最后将二维特征重塑回一维特征,并通过线性变换得到预测值。利用某农机备件供应商4种不同备件类型的销售数据进行了评估验证,并引入均方根缩放误差作为衡量指标,以统一不同序列间的预测效果。试验结果表明,提出的模型预测效果显著优于其他参考模型,4种不同备件需求量预测的均方根缩放误差分别为0.775、1.349、0.822、0.205,均表现出良好的预测效果。该模型能有效考虑时间序列中的时间依赖关系,具有捕捉时间序列数据中非线性模式的能力,对不同农机备件类型的预测任务均能取得良好的效果,可为预测农机备件需求量提供参考。
