01

前言

在計(jì)算廣告和推薦系統(tǒng)中，CTR 預(yù)估一直是一個(gè)核心問(wèn)題。無(wú)論在工業(yè)界還是學(xué)術(shù)界都是一個(gè)熱點(diǎn)研究問(wèn)題，近年來(lái)也有若干相關(guān)的算法競(jìng)賽。

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

02

CTR預(yù)估簡(jiǎn)介

CTR 預(yù)估是計(jì)算廣告中最核心的算法之一，那么 CTR 預(yù)估是指什么呢？簡(jiǎn)單來(lái)說(shuō)，CTR 預(yù)估是對(duì)每次廣告的點(diǎn)擊情況做出預(yù)測(cè)，預(yù)測(cè)用戶是點(diǎn)擊還是不點(diǎn)擊。

在計(jì)算廣告和推薦系統(tǒng)中，CTR 預(yù)估一直是一個(gè)核心問(wèn)題。無(wú)論在工業(yè)界還是學(xué)術(shù)界都是一個(gè)熱點(diǎn)研究問(wèn)題，近年來(lái)也有若干相關(guān)的算法競(jìng)賽。

03

DeepCTR簡(jiǎn)介

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

基于因子分解機(jī)的方法，可以通過(guò)向量?jī)?nèi)積的形式學(xué)習(xí)特征的交互，并且泛化到那些沒(méi)有出現(xiàn)過(guò)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(lái)研究者也提出了若干基于深度學(xué)習(xí)的分解模型來(lái)同時(shí)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(duì)于剛接觸這方面的同學(xué)來(lái)說(shuō)，可能對(duì)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(méi)有統(tǒng)一的形式，且使用起來(lái)不是很方便，從頭開(kāi)始實(shí)現(xiàn)成本又比較高。

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

DeepCTR 是一個(gè)簡(jiǎn)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(lái)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(jiǎn)單的通過(guò) 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(gè)簡(jiǎn)單的例子告訴大家，如何快速的應(yīng)用一個(gè)基于深度學(xué)習(xí)的CTR模型。

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

05

總結(jié)

DeepCTR 是一個(gè)簡(jiǎn)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(duì)DeepCTR進(jìn)行簡(jiǎn)單介紹，并舉例說(shuō)明，同時(shí)提供 DeepCTR 的代碼、文檔資源。