SIGIRApr, 2019

通过学习如何学习 ID 嵌入，改善 CTR 预测来热身冷启动广告

PDF
TL;DR本文提出了一种名为 Meta-Embedding 的元学习方法，通过先前学习的广告嵌入来生成新的广告 ID 的初始化嵌入，进而提高了 Click-through rate (CTR) 预测的性能，并通过实验结果证明了 Meta-Embedding 在冷启动和预热阶段都能显著提高 CTR 预测模型的精度。
click-through rate predictionembedding techniquesmeta-embeddingcold-start problemctr prediction models
发现论文，激发创造
  • 学习图元嵌入以用于 CTR 预测中的冷启动广告

    本文提出了基于图神经网络和元学习的 GME 模型，它可以快速学习如何为新广告 ID 生成理想的初始嵌入，并在真实数据集上展示了在冷启动和热身场景下 GME 大大改善了预测性能。

    May, 2021

  • 使用变分嵌入学习框架缓解 CTR 预测中的冷启动问题

    Proposing a Variational Embedding Learning Framework (VELF) that addresses the cold start problem via the learning of probabilistic embeddings and incorporating trainable and regularized priors, allowing for a more effective end-to-end training process that demonstrates superior results compared to traditional fixed priors in CTR prediction.

    Jan, 2022

  • 使用元尺度偏移网络学习为冷启动推荐热身物品嵌入

    采用 Meta Scaling and Shifting 网络生成各个 item 的缩放和移位函数，提出了 Meta Warm Up Framework (MWUF) 作为一个通用框架来加速冷启动项目的模型拟合和降低数据噪音的影响，并在三个流行的基准测试中验证了其卓越的性能和兼容性。

    May, 2021

  • GACE：学习基于图的跨页面广告嵌入用于点击率预测

    本文提出了一种基于图的跨页面广告嵌入生成方法（GACE），通过多页历史广告数据的联合使用和新广告的冷启动来改善在线广告推荐系统，采用变分自编码器预训练模块生成新旧广告的嵌入表示，在公共数据集 AliEC 和阿里巴巴支付宝的真实行业数据集上进行评估，结果显示 GACE 方法明显优于现有方法，在线 A/B 测试中，支付宝三个真实页面的点击率分别增加了 3.6%、2.13%、3.02%，尤其在冷启动任务中，点击率分别增加了 9.96%、7.51%、8.97%。

    Jan, 2024

  • 大规模 CTR 预测的增量学习框架

    本研究提出了一种增量学习框架，用于 Click-Through-Rate (CTR) 预测，并展示了其在 Taboola 庞大规模推荐服务中的有效性。通过从以前部署的模型进行暖启动和仅在 “新鲜” 的数据上微调，我们的方法可以快速捕捉新兴趋势，并通过教师 - 学生范式来保留过去的知识。我们的增量学习框架可以实现显着更快的训练和部署周期（12 倍加速）。我们在多个流量段上证明了一致的 Revenue Per Mille (RPM) 增长和新引入项目的 CTR 显著增加。

    Sep, 2022

  • 通过元学习在 CTR 预测中利用残差用户偏好来热身冷用户

    该论文提出了一种名为 RESUS 的新方法，通过学习全局用户首选项和个人用户残留偏好，从而有效提高了在冷用户上的点击率（CTR）预测精度。

    Oct, 2022

  • 关于 CTR 预测中概念漂移的适应性

    本文提出了一种新的自适应专家混合（AdaMoE）框架，通过对 CTR 预测数据流中的统计加权策略来缓解概念漂移问题，并通过基准和实际工业数据集的大量离线实验以及在线 A / B 测试表明，AdaMoE 明显胜过所有考虑的增量学习框架。

    Apr, 2022

  • 元学习对推荐系统中的冷启动问题是否是正确的方法？

    深度学习方法在冷启动问题中表现良好，与元学习技术相比，常用的深度学习模型和普遍采用的表示学习技术能够在常见的冷启动问题基准上提供类似或更好的性能，并且更易于实际应用。

    Aug, 2023

  • 始终强化优势：基于漂移感知的增量学习框架用于 CTR 预测

    本文提出了一种基于集成学习的漂移感知增量学习框架，通过明确基于错误的流数据漂移检测，进一步加强适应良好的集合，并冻结不匹配的集合，避免了灾难性干预，从而解决了 CTR 预测中的灾难性遗忘问题。离线实验和 A/B 测试结果表明，该方法优于所有基线方法。

    Apr, 2023

  • OTT 媒体预测分析中低起点难题的解决：元洞察协同和多模态融合掌握

    本研究提出了一种通用方法，利用元数据和多模型集成技术来解决冷启动问题，并通过加权平均预测的集成方法来提高预测准确性，实验结果表明，与单个模型相比，多模型集成方法显著提高了预测准确性。

    May, 2023