https://arxiv.org/pdf/1906.04365.pdf
背景
以往的點擊率預估模型像FM系列、WDN等模型，都只是考慮特徵和ctr之間的聯繫，阿里的這篇論文，提出了DeepMCP模型，不僅考慮了特徵和ctr之間的聯繫，同時考慮了特徵和特徵間的關係，如用戶和廣告、廣告和廣告間的聯繫。
DeepMCP模型主要由三個部分組成：matching subnet、correlation subnet和prediction subnet。前兩個模型用來學習特徵間的聯繫，通過命名也可以很容易理解：matching subnet用來學習用戶和廣告間的聯繫（whether an ad matches a user’s interest），correlation subnet用來學習廣告間的關係（which ads are within a time window in a user’s click sequence）；prediction subnet則用來學習特徵和ctr間的關係。
DeepMCP結構
DeepMCP的訓練過程和測試過程是分離的，如下圖所示，在訓練過程，模型不但要學習feature和ctr間的關係，同時還要學習matching subnet和correlationb subnet兩個網絡，三個subnet的loss加權求和纔是訓練過程的最終loss；而在測試過程，模型只需要對測試數據進行預測（user、ad間的關係模型已經在訓練過程中學習到），這樣在serving階段就會簡單很多。
以往的點擊率預估模型都是學習feature和ctr的關係，DeepMCP爲什麼要額外加上兩個子網絡呢？如下圖所示，以往的模型可以表示爲左圖，但是對於實際數據，可能存在着以下情況：user1和user對ad1都感興趣，對ad2都不感興趣，如果user1也對ad3感興趣，那麼按照協同過濾的思想，user2對ad3頁更可能感興趣；同樣，ad1和ad3可能更相似，在以往的模型中，模型足夠powerful，這種隱性關係可能會學習到，但現在如果把這種關係作爲一個特徵來影響loss，從而讓模型顯式地考慮到它，那麼模型也應該更加powerful。
於是，DeepMCP被設計成以下結構。
Note：論文代碼整理之後再更新說明~
- 更新時間：20191010