• Attentive Capsule Network
• • 模型结构
• 数据集
• 实验结果
• 如何运行
• • 公开数据集
  • 内部数据集

Attentive Capsule Network

我们提出了一种使用注意力胶囊网络进行CTR/CVR预估的工作。

Reference: Li D, Hu B, Chen Q, et al. Attentive capsule network for click-through rate and conversion rate prediction in online advertising[J]. Knowledge-Based Systems, 2020: 106522.

模型结构

用户的兴趣存在并交叉于用户历史点击和转化数据中，如何利用当前广告和用户历史点击转化行为的关联性显得极为重要。比如说用户历史中不同时间段都点击过这种类型的广告，说明他对此类型广告曾经或者阶段性感兴趣，从而可能产生当前转化行为（比如社交app，游戏）。传统的模型对于用户历史行为只使用max或者mean池化，损失了序列特征信息。最近，为了建模序列特征，一些深度学习模型被相继提出，比如DIN，DIEN，DSIN等。然而，DIN建模没有考虑时序演化，基于RNN序列建模的DIEN没有考虑到序列内在结构且两层的gru显得太笨重，而基于用户行为Session的DSIN则只是手工划分历史行为阶段，忽视了兴趣的离散性和多样性（the discretization and diverse of user interests)。另一方面，胶囊网络已经在图像领域（数字识别，物体检测等）和自然语言处理任务中（文本分类，关系抽取等）证明有效， 特别多类别重叠的样例识别。

因此我们提出一种基于attention的胶囊网络（Capsule Network)，希望找到序列中有效组合信息, 并能利用attention routing 机制找出和当前广告最相关的用户兴趣特征。

• 我们使用Transformer从多个嵌入向量中提取低级序列信息。

• 通过注意力路由算法将低级特征聚类为高级兴趣表示。

数据集

TC CVR数据集是根据来自广告平台的点击广告日志构建的。 从2k广告中随机抽取了2.9亿个点击的记录。 在此任务中，标签是不平衡的，用户点击的广告和转换后的广告历史记录用作行为序列。 我们将数据集分为训练，开发和测试数据集，比例为8：1：1。

实验结果

Result of the TC CVR Dataset （主结果和Ablation Study)

Model	Logloss	AUC
xDeepFM	0.1123	0.7784
DeepFM	0.1126	0.7759
AutoInt	0.1120	0.7805
DCN	0.1120	0.7800
PNN	0.1121	0.7803
DeepFM_seq	0.1128	0.7758
Baseline	0.1119	0.7809
Baseline_wl	0.1123	0.7787
DIN	0.1113	0.7861
DIEN	0.1109	0.7877
BST	0.1112	0.7854
BST_split	0.1113	0.7857
Capsule_8_num(ours)	0.1106	0.7891
Capsule_8_num_gru (ours)	0.1106	0.7896
Capsule_8_num_transformer (ours)	0.1105	0.7898
Capsule_8_num_att (ours)	0.1107	0.7890
Capsule_8_num_gru_att (ours)	0.1105	0.7899
Capsule_8_num_transformer_split (ours)	0.1113	0.7859
Capsule_8_num_trnasformer_att (ours)	0.1104	0.7911

如何运行

首先按照requirement.txt安装依赖。

公开数据集

在公开数据集Advertising Dataset上的实验代码在acn_for_adv_dataset文件夹下

python train_sess_capsule.py 以及 python train_capsule.py

注：保证处理完成的数据集在cephfs目录下，读者可以自行修改数据路径。 处理数据参考这里。

内部数据集

在内部数据集TC-CVR上的实验代码在acn_for_cvr文件夹下

训练和测试命令：

本地运行：

python cvr_stream.py

Tesla运行:

python cvr_stream.py \
	--train-dir=$DATADIR/pdata_20190506_0510_train.csv \
	--val-dir=$DATADIR/pdata_20190506_0510_val.csv \
	--test-dir=$DATADIR/pdata_20190506_0510_test.csv \
	--save-dir=$DATADIR/checkpoints \
	--log-dir=$DATADIR/log_v4 \
	--model=capsule_hdfs \
	--mode=train \
	--nrows=-1 \
	--epochs=5 \
	--batch-size=1024 \
	--train-size=232682604 \
	--test-size=29085326 \
	--val-size=29085326