摘要

点击率预测是工业应用中的一个重要任务，例如在线广告。近年来，提出了基于深度学习的模型，这些模型遵循类似的嵌入与多层感知器（Embedding&MLP）范式。在这些方法中，大规模稀疏输入特征首先被映射到低维嵌入向量，然后以组的方式转换为固定长度向量，最后连接在一起输入多层感知器（MLP），以学习特征之间的非线性关系。通过这种方式，用户特征被压缩成一个固定长度的表示向量，而不考虑候选广告的具体情况。使用固定长度向量将成为一个瓶颈，使得嵌入与多层感知器（Embedding&MLP）方法难以从丰富的历史行为中有效捕捉用户的多样化兴趣。在本文中，我们提出了一种新颖的模型：深度兴趣网络（Deep Interest Network, DIN），该模型通过设计局部激活单元来应对这一挑战，从而自适应地从历史行为中学习针对特定广告的用户兴趣表示。这种表示向量会随着不同的广告而变化，极大地提高了模型的表达能力。此外，我们开发了两种技术：小批量感知正则化和数据自适应激活函数，这些技术有助于训练具有数亿参数的工业深度网络。在两个公开数据集以及阿里巴巴超过20亿样本的真实生产数据集上的实验表明了所提方法的有效性，其性能优于现有的最先进方法。目前，DIN已成功部署在阿里巴巴的在线展示广告系统中，并为主流量提供服务。