论文精读|DGenCTR如何通过生成范式超越传统模型 - 周六9点半

<a href="http://arxiv.org/pdf/2508.14500v1">arxiv.org</a>，created by ai播客标题：解锁点击率预测新纪元：DGenCTR如何通过生成范式超越传统模型节目描述：在本期节目中，我们将深入探讨一篇关于点击率（CTR）预测的突破性研究——DGenCTR。为什么传统的CTR模型会遇到性能瓶颈？现有的生成式推荐系统又为何不适用于CTR任务？DGenCTR如何巧妙地结合离散扩散模型和两阶段训练框架，不仅解决了这些难题，还在离线实验和在线A/B测试中取得了显著成效。如果您对推荐系统、深度学习或生成模型感兴趣，这期节目不容错过！Shownotes：一、引言：点击率预测的重要性与挑战• CTR预测的核心作用：作为推荐系统中的核心模块，CTR模型通过整合用户和目标商品信息，预测用户点击商品的概率，进而决定商品的最终排序。它也常用于CPC（每次点击成本）广告系统的定价。• 传统判别式CTR模型的局限性：◦ 性能瓶颈与天花板：依赖二元行为标签，模型容易过拟合少数高预测性特征，而非学习鲁棒且泛化性强的特征表示。◦ 捷径学习与表示崩溃：导致泛化性差、表示崩溃，无法受益于深度学习的“缩放法则”，简单增加模型规模也难以突破性能上限。• 现有生成式推荐模型的不足：◦ 主要关注序列生成：现有研究大多集中在顺序推荐，将其视为文本生成任务，通过自回归范式生成用户行为序列中的下一个商品。◦ 牺牲关键交叉特征：这种方法需要去除目标商品与用户之间的交叉信息，而这些信息对于CTR预测至关重要，去除后会导致性能显著下降。二、DGenCTR：为CTR预测量身定制的生成范式• 核心理念：样本级生成：◦ 不同于传统的商品生成，DGenCTR提出样本级生成范式，专注于生成单个样本内的特征，从而保留了传统CTR模型所需的所有特征信息。◦ 此范式能够扩展模型的预测空间，增强对样本分布的建模能力，并有助于探索CTR领域的缩放法则。• 为何选择离散扩散模型？：◦ CTR样本的输入特征具有排列不变性（改变顺序不影响预测结果）...