KDDNov, 2020

基于深度不确定性感知学习的在线广告系统探索

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 深度时空神经网络用于点击率预测

    本文通过研究广告与其他广告之间的关系提高广告点击率（CTR）的预测，分别从空间和时间两个维度考虑辅助广告，提出了一种基于深度时空神经网络（DSTNs）的方法，结合离线和在线实验证明了该方法的有效性和性能优越性。

    Jun, 2019

  • 广告竞拍中点击率预测的改进在线学习算法

    我们研究了在线学习问题中的广告拍卖收入最大化问题，重点关注广告主的战略行为、点击率和动态估值对机制表现的影响。

    Feb, 2024

  • 深度学习用于点击率估计

    本文综述了 CTR 估算任务中使用的深度学习模型，包括从浅层到深度 CTR 模型的转换，深度 CTR 模型的显式特征交互学习模块，用户行为模型，以及深度 CTR 架构设计的自动化方法。

    Apr, 2021

  • 展示广告中的深度 CTR 预测

    本文介绍了一种新的深度神经网络模型，该模型可从图像像素和其他基本特征中一步预测图像广告的点击率，并且使用卷积层自动提取代表性的视觉特征，再通过全连接层学习非线性 CTR 特征，实证评估表明该方法是有效和高效的。

    Sep, 2016

  • 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

  • 细化点击率预测模型的相互学习

    通过模型之间的相互学习算法，提高了点击率（CTR）预测模型在 Criteo 和 Avazu 数据集上的性能，相对提升了 0.66%。

    Jun, 2024

  • 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

  • 再看 CTR 预测：关注全部需求吗？

    本文旨在使用经济学中的离散选择模型对点击率 (CTR) 预测问题进行重新定义，并提出了一种使用自注意力机制构建的通用神经网络框架，该框架与现有的大多数 CTR 预测模型相一致，同时还考虑了模型的表达能力和复杂性，最后通过一些公共数据集上的实验结果证明了我们提出的见解。

    May, 2021

  • 点击率预测的置信度排名

    本文提出了一种名为 “置信度排名” 的新型框架，使用两个不同的模型以排名函数的形式设计优化目标，允许针对不同凸代理函数的评估指标进行直接优化，例如 AUC 和 Accuracy。实验结果表明，引入置信度排名损失后，可以在公共和工业数据集的 CTR 预测任务上胜过所有基线，该框架已在 JD.com 的广告系统中部署以提高精细排名阶段的主要流量表现。

    Jun, 2023