点击率(CTR)预测任务是推荐系统中的基本任务。以前的大多数CTR模型研究基于宽\和深层结构构建,并逐渐演变为具有不同模块的平行结构。但是,平行结构的简单积累会导致更高的结构复杂性和更长的训练时间。基于输出层的Sigmoid激活函数,训练过程中平行结构的线性添加激活值很容易使样品落入弱梯度间隔,从而导致弱梯度的现象,并降低训练的有效性。为此,本文提出了一个平行的异质网络(PHN)模型,该模型通过三种不同的交互分析方法构建具有并行结构的网络,并使用软选择门控(SSG)以具有不同结构的异质数据。最后,在网络中使用了与可训练参数的残留链接来减轻弱梯度现象的影响。此外,我们证明了PHN在大量比较实验中的有效性,并可视化模型在训练过程和结构中的性能。
translated by 谷歌翻译