基于深度學(xué)習(xí)的CTR模型包DeepCTR

01

前言

在計算廣告和推薦系統(tǒng)中，CTR 預(yù)估一直是一個核心問題。無論在工業(yè)界還是學(xué)術(shù)界都是一個熱點研究問題，近年來也有若干相關(guān)的算法競賽。

本文介紹一個基于深度學(xué)習(xí)的 CTR 模型包 DeepCTR，具有簡潔易用、模塊化和可擴(kuò)展的優(yōu)點。

02

CTR預(yù)估簡介

CTR 預(yù)估是計算廣告中最核心的算法之一，那么 CTR 預(yù)估是指什么呢？簡單來說，CTR 預(yù)估是對每次廣告的點擊情況做出預(yù)測，預(yù)測用戶是點擊還是不點擊。

在計算廣告和推薦系統(tǒng)中，CTR 預(yù)估一直是一個核心問題。無論在工業(yè)界還是學(xué)術(shù)界都是一個熱點研究問題，近年來也有若干相關(guān)的算法競賽。

03

DeepCTR簡介

人們通過構(gòu)造有效的組合特征和使用復(fù)雜的模型來學(xué)習(xí)數(shù)據(jù)中的模式來提升效果。

基于因子分解機(jī)的方法，可以通過向量內(nèi)積的形式學(xué)習(xí)特征的交互，并且泛化到那些沒有出現(xiàn)過的組合上。

隨著深度神經(jīng)網(wǎng)絡(luò)在若干領(lǐng)域的巨大發(fā)展，近年來研究者也提出了若干基于深度學(xué)習(xí)的分解模型來同時學(xué)習(xí)低階和高階的特征交互，如：

FNN,PNN,Wide&Deep,DeepFM,NFM,AFN,DIN 等。

對于剛接觸這方面的同學(xué)來說，可能對這些方法的細(xì)節(jié)還不太了解，雖然網(wǎng)上有很多介紹，但是代碼卻沒有統(tǒng)一的形式，且使用起來不是很方便，從頭開始實現(xiàn)成本又比較高。

那么這里介紹一個基于深度學(xué)習(xí)的 CTR 模型包 DeepCTR，無論是使用還是學(xué)習(xí)都很方便。

DeepCTR 是一個簡潔易用、模塊化和可擴(kuò)展的基于深度學(xué)習(xí)的CTR模型包。除了近年來主流模型外，還包括許多可用于輕松構(gòu)建您自己的自定義模型的核心組件層。

您可以像使用其他 Keras 模型一樣簡單的通過 model.fit() 和 model.predict() 使用這些復(fù)雜模

型。

圖：支持文檔

04

安裝與使用

安裝

使用例子：

下面用一個簡單的例子告訴大家，如何快速的應(yīng)用一個基于深度學(xué)習(xí)的CTR模型。

The Criteo Display Ads dataset是 kaggle 上的一個 CTR 預(yù)估競賽數(shù)據(jù)集。里面包含13個數(shù)值特征 I1-I13 和26個類別特征 C1-C26。

05

總結(jié)

DeepCTR 是一個簡潔易用、模塊化和可擴(kuò)展的基于深度學(xué)習(xí)的 CTR 模型包。本文對DeepCTR進(jìn)行簡單介紹，并舉例說明，同時提供 DeepCTR 的代碼、文檔資源。