Online advertising has become one of the most important strategies used by companies. They get the valuable results from Internet marketing and communication strategies. Therefore, it is necessary to study the click-through rate (CTR) model to search the potential audiences in online advertising. The advertisers desire to search for potential candidates through a large number of queries for audiences in programmatic advertising. Facing such a large corpus, the most common method is that using two-tower model to learn user’s queries and ad representations, and then the similarity function is applied to match the feature representation to get the potential audiences related to the ad. However, in the process of feature extraction, there is a lack of information interaction between the two towers, resulting in the loss of details in the representation. In order to alleviate the lack of information interaction between the networks in the two-tower model during feature extraction. In this paper, we propose a novel model named Feature Dual Supervision Model (FDSM), which integrates by Feature Expression Unit (FEU) and Feature Supervision Unit (FSU). The FEU is used to extract ads or users features, and FSU generates a weight vector to supervise the working process of the FEU. In addition, we propose a feature cross-layer with bridge connections in FDSM to achieve effective feature interaction between ad and user representations. Finally, we conduct experiments on the Tencent Lookalike and MovieLens datasets. The experimental results indicate that the FDSM model outperforms other state-of-the-art CTR prediction models in audience expansion.

中文翻译：

---

在线广告受众搜索的特征双重监督模型

在线广告已成为公司使用的最重要的策略之一。他们从网络营销和传播策略中获得了有价值的结果。因此，有必要研究点击率（CTR）模型来搜索在线广告中的潜在受众。广告商希望在程序化广告中通过对受众的大量查询来搜索潜在的候选人。面对如此庞大的语料库，最常用的方法是使用双塔模型来学习用户的查询和广告表示，然后应用相似度函数来匹配特征表示以获得与广告相关的潜在受众。但是在特征提取的过程中，两塔之间缺乏信息交互，导致表示中的细节丢失。为了缓解双塔模型在特征提取过程中网络之间缺乏信息交互的问题。在本文中，我们提出了一种名为特征双重监督模型（FDSM）的新模型，它由特征表达单元（FEU）和特征监督单元（FSU）集成。FEU用于提取广告或用户特征，FSU生成一个权重向量来监督FEU的工作过程。此外，我们在 FDSM 中提出了一种具有桥接连接的特征跨层，以实现广告和用户表示之间的有效特征交互。最后，我们在腾讯 Lookalike 和 MovieLens 数据集上进行了实验。实验结果表明，FDSM 模型在受众扩展方面优于其他最先进的 CTR 预测模型。为了缓解双塔模型在特征提取过程中网络之间缺乏信息交互的问题。在本文中，我们提出了一种名为特征双重监督模型（FDSM）的新模型，它由特征表达单元（FEU）和特征监督单元（FSU）集成。FEU用于提取广告或用户特征，FSU生成一个权重向量来监督FEU的工作过程。此外，我们在 FDSM 中提出了一种具有桥接连接的特征跨层，以实现广告和用户表示之间的有效特征交互。最后，我们在腾讯 Lookalike 和 MovieLens 数据集上进行了实验。实验结果表明，FDSM 模型在受众扩展方面优于其他最先进的 CTR 预测模型。为了缓解双塔模型在特征提取过程中网络之间缺乏信息交互的问题。在本文中，我们提出了一种名为特征双重监督模型（FDSM）的新模型，它由特征表达单元（FEU）和特征监督单元（FSU）集成。FEU用于提取广告或用户特征，FSU生成一个权重向量来监督FEU的工作过程。此外，我们在 FDSM 中提出了一种具有桥接连接的特征跨层，以实现广告和用户表示之间的有效特征交互。最后，我们在腾讯 Lookalike 和 MovieLens 数据集上进行了实验。实验结果表明，FDSM 模型在受众扩展方面优于其他最先进的 CTR 预测模型。