KDDJul, 2019

利用多任务学习在在线广告中预测不同类型的转化

PDF
TL;DR本文提出一种基于多任务学习的方法来进行转化预测，提出了 Multi-Task Field-weighted Factorization Machine (MT-FwFM) 来共同解决不同转化类型的预测问题，通过实验证明 MT-FwFM 相较于其他两种最先进的模型，在不同转化类型的 AUC 值上提升了 0.74% 和 0.84%，同时所有转化类型的加权平均 AUC 值也提升了 0.50%。
conversion predictionmulti-task learningfield-weighted factorization machineonline advertisingcost-per-action
发现论文，激发创造
  • 使用多任务条件注意力网络进行转化预测，支持创作有效的广告创意

    本研究提出一个新框架，通过多任务学习，条件注意力和注意强调来支持创建高性能广告文案，并提高其准确预测广告转换率的能力。

    May, 2019

  • 基于场权重因子分解机的展示广告点击率预测

    该论文提出了一种称为 Field-weighted Factorization Machines 的算法，以更加内存高效的方式建模不同领域之间的不同特征交互，实现点击率预测，并与其他算法进行了比较。

    Jun, 2018

  • 通过自监督预训练提升在线广告中的转化率预测

    使用自监督预训练的方法来改善在线广告系统中的点击率预测模型，通过训练一个辅助自编码器模型来丰富主要的点击率预测模型，提高相关性、稳定性和网络规模，最终成功部署到 Yahoo 原生广告系统。

    Jan, 2024

  • 在定向展示广告中，利用多任务学习建模观众多步转化的时序依赖性

    本文提出了一种自适应信息传递多任务框架，其中使用自适应信息传递模块来模拟受众多步转化之间的序列依赖关系，并使用行为期望校准器来改进最终转换的准确性，该方法已在美团应用中实现，并与其他算法进行了比较。

    May, 2021

  • 延迟反馈建模的多头在线学习

    本研究提出了一种多头建模方法，通过将转化 quantizes 成多个时间窗口来解决线上广告转化预测中标签新鲜度和滞后性之间的挑战，并实验证明其在转化率（CVR）和每次点击价值（VPC）预测方面表现大大优于已知方法。

    May, 2022

  • 现实世界在线广告系统中的领域感知因子分解机

    介绍了一种预测显示广告中用户点击率和转化率的实时预测系统，该系统采用基于领域的分解机方法，得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。

    Jan, 2017

  • 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

  • 遮蔽多领域网络：单模型实现多类型和多场景转化率预测

    在真实世界的广告系统中，转化具有不同的类型和显示场景，这两者都极大地影响了实际转化率（CVR）。为了解决多类型和多场景 CVR 预测问题，本文提出了一种名为 Masked Multi-domain Network (MMN) 的模型，它能同时满足准确性、可扩展性和便利性要求。

    Mar, 2024

  • 基于多场分类数据的深度学习：以用户响应预测为例研究

    本文提出两种使用深度神经网络来预测用户响应的新模型，通过三种特征转换方法的借助，能够自动学习有效的分类特征交互模式，并对用户的广告点击进行预测。大规模的实验表明，我们的方法比现有主流模型更好。

    Jan, 2016

  • 通过大规模因果方法和多任务学习进行降低偏差的后点击转化率估计

    本文介绍了针对电子商务推荐系统中转化率估计的两种高效的估计方法，基于多任务学习框架解决了选择偏差、数据稀疏等问题，并通过实验表明其优于现有的 CVR 模型。

    Oct, 2019