arXiv 论文提出 OptIDC 框架，统一配置深度 CTR 预测的输入侧维度
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 OptIDC，把深度点击率预测中输入侧的样本、特征、嵌入单元三个层级的筛选放进同一个框架联合学习。为协调不同层级的选择决策，该框架引入选择加权的 Optimal Transport 机制，在有限测度上做传输，对齐粗粒度与细粒度选择，缓解跨层级冲突并保留各层级语义。OptIDC 与具体模型无关，可直接接入现有 CTR 模型。在四个真实基准数据集上，其 AUC 均高于现有输入侧选择方法。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在输入侧
深度 CTR 预测的进展多来自特征交互结构的表达力，但交互建模之前输入侧信息如何配置同样影响效果。已有工作分别证明，挑选有信息量的样本、特征或嵌入单元能提升准确率，不过这些筛选机制各自沿单一输入维度独立优化，既没有考虑它们在基本形式上的共性，也忽略了输入层级之间的依赖关系，因此输入侧维度配置的整体效果受限。
三层联合与传输对齐
OptIDC 的做法是把样本级、特征级、嵌入单元级的配置放进同一框架联合学习，并整合各自对应的选择机制。为了让不同层级的选择决策相互协调，框架引入选择加权的 Optimal Transport 机制，通过在有限测度上的传输来对齐粗粒度与细粒度选择，从而减轻跨层级的选择冲突，同时保留每个输入层级自身的语义。论文强调该框架与具体模型无关，可以无缝集成到现有 CTR 模型中。
实验与适用范围
在四个真实基准数据集上的实验显示，OptIDC 的 AUC 稳定高于现有的输入侧选择方法，验证了统一输入侧维度配置的有效性。论文共 13 页、含 8 张图，归入信息检索与人工智能方向。材料未给出具体数据集名称、对比基线清单与提升幅度，也未说明工业部署成本。
为什么值得看
做 CTR 与推荐模型的人可关注：输入侧配置被统一建模，且方法不绑定具体模型，便于接入现有排序系统。
对齐论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。