摘要

点击率（CTR）预测的目标是估计用户点击的概率，已成为广告系统中的核心任务之一。对于CTR预测模型而言，捕捉用户行为数据背后的潜在兴趣至关重要。此外，考虑到外部环境和内部认知的变化，用户的兴趣会随着时间动态演变。尽管存在多种用于兴趣建模的CTR预测方法，但大多数方法直接将行为表示视为兴趣，缺乏对具体行为背后潜在兴趣的专门建模。同时，很少有研究考虑兴趣的变化趋势。在本文中，我们提出了一种新的模型——深度兴趣演变网络（Deep Interest Evolution Network, DIEN），用于CTR预测。具体来说，我们设计了兴趣提取层来从历史行为序列中捕捉时间上的兴趣变化。在此层中，我们引入了一个辅助损失函数以监督每个步骤的兴趣提取过程。由于用户兴趣具有多样性，特别是在电子商务系统中，我们提出了兴趣演变层来捕捉与目标商品相关的兴趣演变过程。在兴趣演变层中，新颖地将注意力机制嵌入到序列结构中，并在兴趣演变过程中强化了相关兴趣的影响。通过在公共和工业数据集上的实验表明，DIEN显著优于现有的最先进解决方案。值得注意的是，DIEN已在淘宝的展示广告系统中部署，并实现了点击率20.7%的提升。