基于偏好动态调整和属性感知的相关推荐网络：DPAN

原文约300字，阅读约需1分钟。发表于：。

电子商务平台中，我们提出了一种名为 DPAN 的新方法，通过学习细粒度的相似性和多样性表示并捕捉用户在不同条件下的动态偏好，来预测相关推荐中的点击率（CTR），经过离线实验和在线 A/B 测试的验证，CTR 提高了 7.62%。

本文介绍了深度位置交互网络（DPIN）模型，用于估算每个位置的点击率（CTR）。该模型能够一致地建模位置、用户、上下文和项目之间的深度非线性交互。作者提出了评估指标PAUC（位置AUC），解决CTR预测中的位置偏差问题。通过实验验证了该方法的有效性和效率。在A/B测试中，该方法在生产环境中部署，并与优化的基准模型相比，取得了显著改进。