KDDAug, 2022

跨领域广告推荐的动态协同过滤汤普森抽样算法

PDF
TL;DR本文提出了动态协同过滤汤姆逊取样模型 (DCTS)，通过用户和广告之间的相似性来估计 Thompson 取样的先验分布，并将知识在多个领域之间进行转移。实证分析结果表明，DCTS 比现有模型将点击率提高了 9.7%
recommender systemscontextual bandit modeldynamic collaborative filteringthompson samplingclick-through rate
发现论文，激发创造
  • 协同过滤赌博机

    本文提出了一种自适应聚类技术，以探索 - 利用策略为基础，用于内容推荐系统中高动态性的推荐领域，该算法利用数据中的喜好模式，具有与协同过滤方法类似的优点，对中等规模的真实世界数据集进行了实证分析，表现出可扩展性和预测性能提高。

    Feb, 2015

  • 跨域点击率预测的双重注意力序列学习

    提出了一种基于双学习机制的跨领域用户行为建模方法，为两个相关领域建立双重的潜在嵌入，实现了在两个目标域上同时提高 CTR 预测性能的目标，实验证明了比其他最先进的模型表现更好的效率和性能。

    Jun, 2021

  • 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

  • 上下文决斗赌徒的良好感知汤普森抽样

    提出了适用于线性上下文对抗性对决带的一种名为 FGTS.CDB 的汤普森抽样算法，最小化遗憾，并在合成数据上证明比现有算法表现优秀。

    Apr, 2024

  • 扩散模型应用于大动作空间的情境强化学习

    传播模型中的扩散汤普森抽样能够通过利用预训练的扩散模型中的相关性来提高在上下文强化学习中的效率，理论和算法基础的发展以及经验证明其良好的性能。

    Feb, 2024

  • 上下文关注的赌博机：具有限制上下文的上下文赌徒

    该论文探讨了一种新颖的 “限制上下文条件下的上下文赌博机” 模型，其中将 Thompson 抽样算法用于处理固定状态和非固定状态，该方法在临床试验、推荐系统和注意力建模中有较大应用。实验证明了提出方法在多个真实数据集上优势明显。

    May, 2017

  • 冷启动用户的对话推荐：无缝统一属性和物品

    本篇研究工作使用 Thompson Sampling 框架无缝统一属性与物品，从而构建了一个名为 Conversational Thompson Sampling（ConTS）的模型，解决了在交互式推荐系统中手工建立属性和物品之间的关系所带来的问题。通过在三个基准数据集上进行的广泛实验，该模型在成功率和平均会话轮数这两个指标上均优于最先进的方法。

    May, 2020

  • 跨领域协作迁移学习框架的推荐

    该研究提出了一种基于协作跨域迁移学习框架（CCTL）的解决方案，可用于推荐系统中不同商业域中的广告点击率（CTR）预测建模，并成功应用于美团，提高了 CTR 和 GMV 的表现。

    Jun, 2023

  • 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

  • 基于深度不确定性感知学习的在线广告系统探索

    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。

    Nov, 2020