促销活动在电子商务平台中变得越来越重要和普遍，以吸引顾客并促进销售。然而，推荐系统中的点击率（CTR）预测方法并不能很好地处理这种情况，因为：1）他们不能很好地概括服务，因为由于潜在的即将到来的促销活动，在线数据分布是不确定的；2）如果没有足够重视场景信号，他们没有能力学习每个场景中并存的不同特征表示模式。在这项工作中，我们提出了 (SAME)，这是一个简单而有效的模型，同时服务于晋升和正常场景。从技术上讲，它遵循专家混合模型的思想，采用多个专家来学习特征表征，这些特征表征由特征门控网络（FGN）通过注意力机制进行调节。为了获得高质量的表征，我们设计了一个叠加的平行注意单元（SPAU）来帮助专家更好地处理用户行为序列。为了解决分布的不确定性，我们从时间序列预测的角度精心设计了一组场景信号，并将其输入到FGN中，FGN的输出与每个专家的特征表示相耦合，以学习注意力。因此，特征表征的混合物是自适应地获得的，并用于最终的CTR预测。通过这种方式，每个专家都可以学习到一个有鉴别力的表征模式。在线A/B测试也表明，SAME在促销期间实现了3.58%的CTR和5.94%的IPV的显著收益，而在正常日子里则分别为3.93%和6.57%。
《SAME: for Rate 》
论文地址:http://arxiv.org/abs/2112.13747v1
