WSDMNov, 2018

权重学习：一种针对广告检索的代价敏感方法

PDF
TL;DR本文研究基于点击数据的检索模型，探讨在训练集中引入或忽略长尾查询 - 文档对的影响，提出了一种基于加权的策略用于学习长尾语义表示，并在必应赞助搜索和亚马逊产品推荐上进行实验。在线 A/B 测试结果显示，相比于不加权模型，点击率提高了 11.8％，反弹率降低了 8.2％，同时在亚马逊产品推荐数据上也略有提高。
retrieval modelsclick-through datalong tail pairssemantic representationsonline a/b testing
发现论文，激发创造
  • 修正学习方法，而非数据：电子商务产品排名的见解

    文章提出采用反事实风险最小化法（CRM）来实现从真实世界的日志数据中学习排名模型，以避免需要有关性的判断和数据聚合，此方法更适合从 Logged 数据中学习，CRM 方法有效地从 Logged 数据中学习，效果显著优于基线排名器（λ-MART），并且优于各种深度神经网络模型的全信息损失（例如交叉熵）的表现。

    Jul, 2019

  • 面向在线电子商务和基于 LLM 的检索的鲁棒性基于交互关联建模

    在电子商务搜索引擎中，语义相关性计算对于确保所选项目与客户意图紧密对齐至关重要。本文介绍了一种基于交互的建模范式，通过动态长度表示方案、专业术语识别方法和对抗性训练协议来增强模型的鲁棒性和匹配能力。离线评估表明我们方法的卓越鲁棒性和效果，在线 A/B 测试证实了在相同曝光位置提高相关性、增加点击和转化的能力。据我们所知，这是第一个用于大型电子商务搜索相关性计算的基于交互的方法。

    Jun, 2024

  • 在线广告拍卖中的效用优化成本敏感学习

    本文研究计算广告中的关键问题之一：在线广告拍卖中点击率和转化率的预测，分析了前沿的转化建模方法中存在的非均匀误差成本问题，提出基于商业价值权重日志损失的模型训练方法，实验结果表明，该方法可以显著提高模型的离线和在线性能表现。

    Mar, 2016

  • 在检索相关文档的分析上，解决不平衡分类问题的方法比较

    研究比较了基于关键词列表、查询扩展技术、基于主题模型的分类规则以及主动有监督学习四种不同的检索方法，结果表明：基于关键词列表的检索方法容易出现偏见，而主动有监督学习方法在使用合适数量的已标记训练实例时，能够显著提高检索效果。

    May, 2022

  • 视频排序模型中基于邻居的长尾排名问题增强

    本研究针对长尾排名问题，提出了一种基于邻居增强结构的排名模型，在 MovieLens 1M 数据集上证明比基线基于行为标签的模型具有更高的效率。

    Feb, 2023

  • 电商产品搜索的鲁棒模型学习

    通过开发深度学习模型来识别搜索中的信息不匹配，可以显著提高电商用户体验和排名性能。

    May, 2020

  • 广告竞价中基于点击率预测的成对排名损失函数优化福利最大化

    研究如何设计损失函数来优化广告拍卖中的（社会）福利，提出了一种新的加权排名损失来训练点击率模型，并通过在使用教师网络产生的标签上进行损失校准来证明其优越性。

    Jun, 2023

  • 电商赞助搜索中的个性化广告检索框架：超越关键字和相关性

    通过构建一个应用于电商赞助搜索的层次化网络框架，结合历史广告点击数据来进行信号、检索关键词和广告的关联，选择模型权重最佳的边缘来提高 RPM/CTR，从而达到多维度广告检索和推荐的目的。

    Dec, 2017

  • 探索长尾识别问题中的权重平衡

    研究了一种针对长尾数据的方法，基于权重平衡和两阶段训练结合的经典正则化技术，通过分析神经崩溃和锥效应，发现该方法是通过权重衰减和交叉熵损失以及类平衡损失调整的隐式 logit 方法增加特征提取器的 Fisher 判别比率。研究表明，通过将训练阶段的数量减少到一个并提高准确性，可以进一步简化训练方法。

    May, 2023

  • 特征中的位置偏差

    本文介绍了排名系统中模拟文档相关性的目的，并测试了几个特征的性质。将逆倾向权重方法用于文档可创建不偏的文档相关性估计特征，该特征可以准确地近似相关性，在理想情况下实现接近最佳的排名。然而，此特征具有较高的方差，且方差随着位置偏差的增加而增加。不准确的位置偏差估计导致性能下降。本文强调了准确估计位置偏差的必要性，并独特地提出了同时使用有偏和无偏位置偏差特征的建议。

    Feb, 2024