周期性图神经网络在在线广告点击率预测中的应用

《ACM Transactions on Information Systems》：Periodic Graph Neural Networks for Click-Through Rate Prediction in Online Advertising

CTR预测中周期性模式建模与多尺度图特征融合的GNNs框架研究。提出PGNN模型，通过周期图表示学习捕捉用户-广告交互序列的多尺度周期特征与高阶协作信息，结合场感知特征交互机制改进的图卷积注意力网络，在三个公开数据集上验证其优于基线模型0.01-0.02的AUC和Logloss性能。

　　

摘要

点击率（CTR）预测是一项重要的功能，它能够反映广告活动的效果。为了实现CTR预测，已经开发了许多模型来学习动态表示和复杂的特征交互机制。我们观察到用户的行为序列具有周期性模式，这是捕捉在线广告等高度动态环境中时间依赖性的关键因素。不幸的是，现有的研究忽略了CTR预测中的周期性模式，从而导致模型性能较低。本文提出了一种基于图神经网络（GNN）建模框架的周期性CTR预测模型（PGNN），该模型结合了周期性图表示和特征图表示。前者通过动态的用户-广告交互图学习用户和广告序列的多尺度周期性模式以及序列间的高阶协同信息；后者则通过将场感知特征交互原理融入到特征图上的可插值图卷积注意力机制中，来学习复杂的特征交互。在三个公开数据集（Movielens-1M、Criteo-attribution和Alimama）上进行的实验表明，PGNN在AUC和Logloss方面优于最强的基线模型，提升幅度为0.01~0.02。同时，这项研究也验证了周期性图表示学习的有效性。