1、前言****
對於目前單個廣告點選預測，我們能夠得到各元素之間成對的相關性，但無法知道元素之間的區域性相關性。再者，對於不同時間間隔，順序點選預測的現有處理方法沒有一個好的效果，這對此問題，本文提出一個新穎的模型，卷積點選預測模型（CCPM），其基於卷積神經網路。CCPM可以捕獲輸入元素的區域性特徵，無論是在單次點選事件還是在一定時間間隔內順序點選。
2、Introduction
在推薦系統中曾廣泛使用的方法有， matrix factorization (MF)，Factorization Machines (FM)，然而，MF與FM僅在單個點選廣告中捕獲低階組合特徵，而忽視了高階組合特徵。為了充分利用歷史的順序點選的資訊，提出了基於RNN的預測模型，這個模型主要是把使用者所瀏覽的歷史記錄作為序列，透過使用者在不同的時間間隔內來劃分使用者的歷史點選序列。然而在真實的場景下，使用者對商品的興趣會隨時間而改變，RNN模型在此刻的場景下就受到限制。
在複雜的場景中為了挖掘重要的語義特徵，DNN是一個很好的選擇，CNN中的卷積層，池化層能夠很好的發現區域性重要的特徵。CCPM是第一個採用CNN來提高點選預測的精度的。
3、CCPM
結構圖：
在單條廣告展示中（single ad impression），包括許多元素：element = (user; query; ad, impression time, site category, device type, etc)，使用者是否點選一個廣告與使用者的歷史ad impression有關。一系列的ad impression組成sequentia ad impression。基於以上兩種情況來預測點選機率。
CCPM由convolutional layers + flexible p-max pooling layers組成。
3.1、Convolution Layer
每個樣本有n個特徵，對每個特徵使用embeding 得到定長為d的向量ei∈Rd，再構造成一個矩陣s∈Rdxn，得到s矩陣之後就可以套用CNN。
3.2、Flexible p-Max Pooling
由於輸入的長度是可變的，為了降低這種影響，對應的池化層的引數應該也是靈活可變的，給出定義pi:
其中，l代表卷積層的層數，n表示輸入的長度（特徵數），pi表示第i個池化層的引數。舉個例子，當n=18時，l=3，則對應的p的值分別為p1=16，p2=6，p3=3。
在順序點選預測中，p的值很重要，它不僅能夠選擇出最重要的幾個區域性特徵，而且還儲存了這些特徵的相對順序。
3.3、Feature Maps
每個樣本均可用一個矩陣表示，即feature map，然後對每個feature map進行卷積池化操作，最後結果接上全連線層。
本作品採用《CC 協議》，轉載必須註明作者和本文連結