WSDM 2022点击率模型特征交叉方向的发展及CAN模型介绍：点击率模型特征交叉方向的发展：传统方法：早期点击率模型主要依赖于线性回归、因子分解机和多元逻辑回归等传统方法。深度学习转变：随着深度学习的发展，点击率预估模型逐渐转向深度神经网络模型，基于Embedding&MLP范式。特征交叉技术：通用范式特征交叉：如xDeepFM、ONN、FiBiNET等，利用神经网络挖掘特征间的低阶、高阶融合。显式交互：如DIN和PCFGNN，通过用户行为序列和图结构捕捉商品与用户的相关性。CAN模型介绍：背景：为解决传统特征交叉方法的计算效率问题，同时保持足够的灵活性，提出了CoAction Network模型。核心：CAN模型的核心在于设计微网络单元，以微网络形式参数化特征嵌入，实现特征交互的高效建模。模型结构：CAN模型包括特征抽取、兴趣抽取、序列建模和特征交互模块，通过CoAction Unit动态建模隐式特征交互，增强模型的表示能力。性能：在广告系统中，CAN模型在多个场景上线，显著提升点击率和每千次展示收益，同时优化算力和减少响应延迟。扩展：在CAN基础上引入SENET结构，进行特征向量权重学习，进一步提升性能。总结：CAN模型通过灵活的参数化设计和微网络单元，展示了在特征交叉建模中的潜力，并在工业级应用中展现出优越性能。