KDDSep, 2018

动态分层经验贝叶斯：一个应用于在线广告的预测模型

PDF
TL;DR利用数据驱动的动态分级经验贝叶斯模型实现稀疏的线上广告投放数据的关键词表现预测，比二者相比具有更高的准确性和效率，并提供了一个在实时环境中服务的两阶段系统。
sponsored searchonline advertisingdynamic hierarchical empirical bayesian modelsparsityprediction
发现论文，激发创造
  • HiBid: 一个跨渠道约束竞价系统及预算分配的层次式离线深度强化学习

    该研究提出了一种名为 HiBid 的层次离线深度强化学习框架，用于在线展示广告平台的交叉渠道受限出价及预算分配问题，并通过大规模日志数据和在线 A/B 测试验证了其在点击次数、CPC 满意度比率和投资回报率方面优于其他六种基准模型，并应用于美团广告平台服务数以万计的广告商。

    Dec, 2023

  • 基于可解释深度学习技术的在线广告成本预测：竞价竞争环境中的洞见

    本文研究使用多种时序预测方法，通过竞争对手 CPC 发展的时间序列聚类识别得出外部影响变量，建立多变量模型来预测在线广告市场日均点击成本。研究表明，这种预测广告成本的方法比仅基于广告主收集数据的模型更具优势。

    Feb, 2023

  • 贝叶斯元先学习：基于经验贝叶斯的方法

    本文提出了一种层次经验贝叶斯方法，以解决实际问题中面临的挑战，即缺乏信息先验和无法控制参数学习速率的问题。该方法从数据本身学习经验元先验，并将它们用于解耦 GLM 中的一阶和二阶特征的学习速率。作者将其应用于标准监督学习优化问题以及在线组合优化问题中，在实验中表现出了显著的改进。

    Feb, 2020

  • DHEN: 用于大规模点击率预测的深度和分层集成网络

    DHEN 是一种深度和分层集成架构，可以利用异构交互式模块的优势，并以不同顺序学习交互作用的层次结构。在大规模的 CTR 预测任务中进行的实验表明，DHEN 的效果很好，达到了预测的标准化熵（NE）提升了 0.27％，训练吞吐量比现有技术基准提高了 1.2 倍。

    Mar, 2022

  • 点击率预测的降维方法：稠密表示与稀疏表示对比

    使用无限关系模型对用户 - 网站交互图进行降维，以生成简化的特征，作为预测点击率的因子，其中最经济并且速度最快的运算是 IRM 特征预测，适用于实时竞价这样的应用场景。

    Nov, 2013

  • 深度贝叶斯多臂赌博机：在线个性化推荐中的探索

    本文提出了一种使用深度贝叶斯 Bandits 算法的广告推荐系统，其包含探索技术和上下文的特征，以解决推荐系统中的反馈循环问题和算法偏差。

    Aug, 2020

  • 在电子商务广告中使用深度兴趣网络模型预测点击率

    本文提出了一种使用深度兴趣网络（DIN）模型来增强点击率（CTR）预测模型的新方法，特别应用于阿里巴巴淘宝平台的广告系统。与传统的深度学习方法不同，本研究侧重于利用广泛的用户行为数据进行定位用户行为激活以实现定制广告定位。与传统模型相比，该方法展现了处理多样化和动态用户数据的优越能力，从而提高广告系统的效率并增加收益。

    Jun, 2024

  • 基于深度不确定性感知学习的在线广告系统探索

    本论文提出了一种新的基于高斯过程的深度不确定性感知学习 (DUAL) 方法来学习基于 CTR 的广告排名策略，通过提供预测不确定性估计，顺利解决了 CTR 预测方法中缺乏探索的问题，并在阿里巴巴展示广告平台上通过联合社会福利和收入提高实现了广告效益的改进。

    Nov, 2020

  • 通过多任务学习分层建模微观和宏观行为以预测转化率

    提出了一种利用用户行为生成网络图，结合宏观和微观行为的 Hierarchically Modeling both Micro and Macro behaviors ($HM^3$) 方法，预测电子商务平台中 Conversion Rate (CVR)。通过多任务学习和利用丰富的监督标签，$HM^3$ 能够端对端地进行培训并解决样本选择偏差和数据稀疏性问题。

    Apr, 2021

  • 用于阿拉伯手写字识别的动态分层贝叶斯网络

    本文提出了一种新的概率图模型，用于对突尼斯城市名称的文字进行建模和识别。采用基于动态分层贝叶斯网络的方法，采用分割和特征提取技术来减少识别过程中的复杂性和误差，实验结果非常有前途。

    May, 2014