Feb, 2022

在线广告中的点击率预测：文献综述

PDF
TL;DR本文系统地回顾了 CTR 预测领域的最新研究进展及其建模框架，着重介绍了基础建模框架及其拓展，对其优缺点和预测性能进行了分类总结，并结合各类数据集对不同复杂度和要素相互作用顺序进行了性能比较。同时，本文还识别出当前研究趋势、主要挑战和未来研究方向，为有意从事该领域的学者提供了基础知识和高效的进入点。
ctr predictionadvertisinglearning modelsmethodological evolutionfeature interactions
发现论文，激发创造
  • 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

  • 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

  • 通过 Tabular Learning 实现发展中国家的高效点击率预测

    本研究旨在通过建立点击率预测任务与表格学习之间的联系，证明表格学习模型在 CTR 预测中比超参数化 CTR 预测模型更高效、更有效，并通过 8 个公共 CTR 预测数据集上的实验以及实际在线应用的 A / B 测试，证明这种模型不仅可以提高离线性能，还可以提高真实用户的 CTR。

    Apr, 2021

  • 深层次字符级别的赞助搜索点击率预测

    本研究提出两种使用深度卷积神经网络预测查询 - 广告对点击率的方法，一个针对字符级别处理，另一个针对单词级别处理。通过使用数十亿个查询 - 广告对的实验，证明这两种方法都显著优于基线模型和最先进的基于 word2vec 方法的模型。此外，将这种深度模型的预测与商业搜索引擎中现有的预测相结合，可以显著提高生产系统的点击率预测的准确性和校准度。

    Jul, 2017

  • 点击可能是作弊的：反事实推荐以减轻标题党问题

    本研究提出了一种基于因果图和反事实推断的建议模型，以减轻用户面对过多的机械预测的问题，并明显提高了用户在现实世界中的满意度。

    Sep, 2020

  • 在线广告中用户响应预测

    本研究通过综述在线广告平台中利用机器学习方法的用户响应预测，提出分类方法，介绍用户数据可用性、特点以及现有挑战，并探讨相关应用和数据集，旨在分析在线广告生态系统的相关方和方法。

    Jan, 2021

  • 点击率预测的用户行为检索

    本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。

    May, 2020

  • 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

  • 一种稳定扩散模型的点击率创新生成流程

    我们提出了一个新的自动化的点击率创意生成流水线（CG4CTR），旨在改进创意生成阶段的点击率。我们的贡献有 4 个方面：1）将填充模式应用于在线广告场景的创意生成任务。提出了一个自我循环生成流水线，以确保训练的收敛性。2）设计了提示模型，为不同用户群体生成个性化创意，进一步提高其多样性和质量。3）奖励模型的综合考虑图像和文本的多模态特征，以提高创意排序任务的有效性，也在自我循环流水线中起着重要作用。4）在线和离线实验中获得的显著优势验证了我们提出方法的重要性。

    Jan, 2024

  • 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