SIGIR2021 | 基于特征交互学习的门控增强多任务神经网络用于CTR预测

深度神经网络(DNN)模型已被广泛应用于在线广告点击率(CTR)预测。CTR训练框架通常由嵌入层和多层感知机(MLP)组成。在百度搜索广告系统中(又名凤巢，Phoenix Nest)，新一代的CTR训练平台变成了PaddleBox，一个基于GPU的参数服务器系统。

在这篇论文中，作者介绍了百度最近更新的CTR训练框架，称为门控增强的多任务神经网络(GemNN)。特别地，他们开发了一种基于神经网络的多任务学习模型用于CTR预估，它以粗粒度到细粒度的方式逐步减少候选广告，并允许上游任务与下游任务之间的参数进行共享，从而提高训练效率。此外，作者还在嵌入层和MLP之间引入了门控机制，用于学习特征交互和控制传递到MLP层的信息流。

作者在百度PaddleBox平台部署了该模型方案，并观察到在离线和在线评估方面都有相当大的改进，它现在已经是百度广告系统的一部分。

https://arxiv.org/abs/2007.03519