轻量级端到端电子商务搜索 CTR 预测的图兴趣网络
内容提要
本文介绍了多种基于图形学习和深度学习的点击率（CTR）预测模型，包括图形意图网络（GIN）、双图增强嵌入（DG-ENN）和深度兴趣演化网络（DIEN）。这些模型通过捕捉用户行为和兴趣演变，显著提升了电子商务平台的CTR预测性能，解决了用户意图和行为稀疏问题。
延伸解读
图方法如何缓解行为稀疏
GIN 通过图扩散和商品共现关系丰富用户行为，直接应对行为稀疏和弱泛化问题。与仅依赖用户历史序列的模型不同，图结构能引入高阶关联，扩展兴趣探索范围。TGIN 进一步利用三角形图模式捕捉邻近点击物品的动机，说明图方法在稀疏场景下具有优势。
兴趣演化的时间建模
DIEN 设计兴趣提取器层和兴趣演变层，从历史行为序列中捕捉时间性兴趣；DSIN 则利用会话划分和自注意力结合双向 LSTM 建模兴趣演化。两者都强调用户兴趣随时间变化，而非静态表示。对于行为序列丰富的场景，这类时序建模能提升 CTR 预测准确性。
上下文信息与工业验证
DCIN 强调上下文信息对用户行为建模的重要性，可完整建模点击及其显示上下文。在线广告系统部署后带来 1.5% 的 CTR 和 1.5% 的 RPM 提升，表明上下文感知兴趣建模在真实流量中有效。这提示读者，除用户历史外，展示上下文也是提升预测的关键信号。
短期与长期兴趣的融合
HIFN 通过短期兴趣提取器、长期兴趣提取器、兴趣融合模块和兴趣解缠模块，融合用户短期和长期兴趣，提升个性化产品搜索中的点击率预测。与仅关注单一时间尺度的模型相比，这种层次化融合能更全面刻画用户偏好，适用于搜索场景下的 CTR 预测。
Q&A
图形意图网络 (GIN) 是什么？
图形意图网络 (GIN) 是一种通过图扩散和商品共现关系来丰富用户行为的策略，旨在解决用户意图和行为稀疏问题。
双图增强嵌入 (DG-ENN) 模型的主要优势是什么？
双图增强嵌入 (DG-ENN) 模型通过两个策略解决稀疏特征情况下的性能降低问题，并已在实际工业数据集上得到验证。
深度兴趣演化网络 (DIEN) 如何提高CTR预测性能？
深度兴趣演化网络 (DIEN) 通过兴趣提取器层和兴趣演变层捕捉用户的时间性兴趣，从而显著提高CTR预测性能。
层次兴趣融合网络 (HIFN) 是如何工作的？
层次兴趣融合网络 (HIFN) 通过提取和融合用户的短期和长期兴趣，利用多个基本模块来提高个性化产品搜索中的点击率预测效果。
三角形图用户兴趣推荐框架 TGIN 的作用是什么？
三角形图用户兴趣推荐框架 TGIN 通过提取邻近点击物品的三角形图模式，扩大用户兴趣探索机会，提高CTR预测准确性。
深度上下文兴趣网络 (DCIN) 的重要性是什么？
深度上下文兴趣网络 (DCIN) 强调上下文信息对用户行为建模的重要性，并在在线广告系统中显著提升了CTR。
