这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

混合兴趣网络（MINET）在跨域点击率预测中的应用研究

作者及机构
本研究的核心团队来自阿里巴巴集团智能营销平台，主要作者包括Wentao Ouyang、Xiuwu Zhang、Lei Zhao、Jinmei Luo、Yu Zhang、Heng Zou、Zhaojie Liu和Yanlong Du。研究成果发表于2020年10月的ACM国际信息与知识管理会议（CIKM ‘20），论文标题为《MINET: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction》。

学术背景
点击率预测（Click-Through Rate Prediction, CTR）是在线广告系统的核心任务，直接影响广告排序策略和收费模型。传统研究集中于单域（如仅广告数据）场景，通过特征交互（如Factorization Machines）、用户行为历史（如Deep Interest Network）或上下文信息（如Deep Spatio-Temporal Network）建模。然而，广告常与自然内容（如新闻）混合展示，这为跨域（Cross-Domain）CTR预测提供了机会。本研究的目标是通过利用源域（新闻）的辅助数据提升目标域（广告）的CTR预测性能，解决数据稀疏性和冷启动问题。

研究流程与方法
1. 问题定义与数据准备
- 数据集：研究使用UC头条（UC Toutiao）的新闻-广告日志（6天训练、1天验证、1天测试）和Amazon的书籍-电影评分数据（按时间划分训练/验证/测试集）。特征包括用户ID、年龄、新闻/广告标题等。
- 跨域挑战：需解决源域与目标域特征维度差异、噪声过滤、知识迁移等问题。

1. 模型设计（MINET）

   • 三类用户兴趣建模：
     
     • 长期跨域兴趣：通过用户画像特征（如性别、城市）的嵌入向量拼接（( p_u )），基于双域数据联合学习。
       
     • 源域短期兴趣：通过注意力机制（Item-Level Attention）聚合用户近期点击的新闻（( a_s )），引入转移矩阵（( \mathbf{M} )）实现新闻到广告的知识迁移。
       
     • 目标域短期兴趣：类似地聚合近期点击广告（( a_t )），直接建模与目标广告的交互。
       
   • 双层注意力机制：
     
     • 项目级注意力：动态筛选与目标广告相关的新闻/广告（如公式4和6），通过ReLU激活函数和分解矩阵（( \mathbf{M} = \mathbf{M}_1 \times \mathbf{M}_2 )）降低计算复杂度。
       
     • 兴趣级注意力：自适应调整三类兴趣的权重（( v_u, v_s, v_t )），通过指数激活函数解决维度差异问题（公式9）。
       

2. 训练与优化

   • 损失函数：结合目标域（广告）和源域（新闻）的交叉熵损失（( loss = loss_t + \gamma loss_s )），通过Adagrad优化器训练。
     
   • 参数设置：嵌入维度( D=10 )，隐藏层维度( D_h=128 )（公司数据）或64（Amazon数据），批处理大小根据数据集调整。

3. 实验验证

   • 基线对比：包括单域模型（LR、FM、DIN、DSTN）和跨域模型（CCCFNet、MV-DNN、CoNet）。
     
   • 评估指标：AUC（Area Under Curve）和LogLoss，MINET在公司数据集上AUC达0.7326（提升4.12%），显著优于基线。
     
   • 消融实验：验证双层注意力的必要性（仅项目级AUC+1.5%，仅兴趣级+2.1%），以及指数激活函数的优势（优于Sigmoid）。
     

主要结果
1. 性能提升：MINET在UC头条的在线A/B测试中，CTR提升4.12%，已部署至主流量服务。
2. 注意力机制有效性：项目级注意力能动态分配权重（如娱乐新闻对游戏广告的权重更高）；兴趣级注意力可缓解维度差异（如长期兴趣( p_u )的权重随目标广告变化）。
3. 跨域知识迁移：通过联合训练和转移矩阵，新闻域的语义信息显著提升了广告冷启动场景的预测效果。

结论与价值
1. 科学价值：首次提出联合建模长/短期跨域兴趣的框架，为多域数据融合提供新思路。
2. 应用价值：解决了广告场景中的数据稀疏性问题，尤其适用于新闻feed等混合内容平台。
3. 方法论创新：双层注意力机制和动态权重设计可扩展至其他推荐系统任务。

研究亮点
1. 三层兴趣建模：首次同时捕获跨域长期兴趣、源域短期兴趣和目标域短期兴趣。
2. 可解释性：注意力权重可视化显示模型能捕捉新闻与广告的潜在关联（如娱乐新闻→游戏广告）。
3. 工程实践：通过矩阵分解和参数共享降低计算成本，适合工业级部署。

其他发现
- 在电商场景（Amazon数据）中，长期兴趣的贡献高于短期兴趣，与广告场景相反，说明领域特性需针对性建模。
- 开源代码（GitHub）和公开数据集促进了跨域研究的可复现性。

该研究通过创新的模型设计和严谨的实验验证，为跨域CTR预测树立了新的基准，兼具学术前瞻性和工业实用性。