用户行为检索框架

eCPM提升6.6%

通过可学习检索函数，从海量用户行为中动态选取最具信息量的行为用于CTR估计，解决长序列建模的推理效率与噪声问题。

秦佳锐 · Zhang W. · Su, Rong · Liu, Zhirong · Liu, Weiwen · Guangpeng, Zhao · Hao, Li · Tang, Ruiming · He, Xiuqiang · 俞勇

ACM Transactions on Information Systems 2023

参数信息

eCPM增益

6.6 %

技术优势

提升推理效率

仅检索少量相关行为作为输入，避免处理完整长序列，显著降低在线推理延迟。

降低噪声干扰

通过检索函数筛选最相关行为，过滤长序列中的噪声，使CTR模型专注于有用模式。

可学习检索

不同于固定预定义函数，UBR支持任意可学习检索函数，能适应不同数据分布。

应用场景

• 推荐系统：在推荐系统中用短序列替代长序列输入，提升CTR模型在线效率同时保持精度。
• 信息检索：将检索思想引入CTR建模，从海量行为中快速定位相关历史，支持任意可学习检索函数。