超越KAN：介绍KarSein——用于CTR预测中的自适应高阶特征交互建模

高阶特征交互建模是CTR预测的关键，传统方法预设最大阶数并枚举组合，导致计算复杂度高且依赖先验知识。本文提出KarSein模型，通过可学习的激活机制将低阶特征自适应转换为高阶交互，结合高效架构减少计算开销，同时保持结构稀疏性和可解释性，实验验证其性能优于基线方法且参数紧凑。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

对高阶特征交互进行建模对于点击通过率（CTR）预测至关重要，然而传统方法通常预先定义了最大的交互阶数，并穷尽地枚举到该阶数的所有特征组合。这种范式严重依赖于先前的领域知识来界定交互空间，并且会带来巨大的计算开销。因此，传统的CTR模型在用复杂的高阶交互丰富表示与保持计算可行性之间面临着持续的矛盾。为了解决这一双重挑战，本研究引入了Kolmogorov-Arnold表示的稀疏高效交互网络（KarSein）。KarSein借鉴了Kolmogorov-Arnold网络（KAN）中的可学习激活机制，利用该机制将低阶基本特征自适应地转换为高阶特征交互，提供了一种新的特征交互建模方法。KarSein通过引入一种更高效的架构扩展了KAN的功能，显著降低了计算成本，同时支持使用二维嵌入向量作为特征输入。此外，它克服了KAN无法自发捕捉特征之间乘法关系的局限性。广泛的实验表明，KarSein的表现优于KAN的原始实现以及其他基线方法。值得注意的是，KarSein在保持高度紧凑的参数规模和最小的计算开销的同时，实现了出色的预测准确性。此外，KarSein还保留了KAN的关键优势，如强大的可解释性和结构稀疏性。作为KAN首次系统性地应用于CTR预测的尝试，KarSein为大规模推荐系统中复杂特征交互的建模提供了一种实用、参数高效且可解释的替代方案。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍是论文的正式摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这将为改进和未来生成的版本提供参考。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。