Apr, 2023

电商中优化赞助产品的实用经验

PDF
TL;DR本文研究赞助产品优化中的多个问题，包括基于位置的去偏差、点击 - 转化多任务学习和预测点击率（pCTR）的校准。我们提出了一个实用的机器学习框架，可以解决这些问题，而不改变现有机器学习模型的结构，并可以与大多数机器学习模型结合使用。我们在真实世界的在线购物网站上评估了我们的提出的实用框架，证明它可以解决广告系统中的固有问题，并为多个评估指标带来增益。
发现论文，激发创造
  • 电子商务中赞助搜索的位置偏差缓解的点击 - 转化多任务模型

    为了减轻点击率（CTR）和转化率（CVR）预测中的位置偏见，我们提出了两种不受位置偏见影响的 CTR 和 CVR 预测模型：位置感知点击转化（PACC）和通过位置嵌入的 PACC 模型（PACC-PE）。实验结果表明，我们的模型在评级有效性上表现更好，可以极大地减轻 CTR 和 CVR 预测中的位置偏见。

    Jul, 2023

  • 应对产品需求变化：赞助搜索中转化率（CR）预测应用

    本文提出了三种结合产品需求特征、专业数据采样方法和集成技术的模型，可以更准确地预测产品广告的用户交互结果，并同时对用户和广告商行为的波动具有鲁棒性。

    May, 2018

  • 电商赞助搜索中的个性化广告检索框架：超越关键字和相关性

    通过构建一个应用于电商赞助搜索的层次化网络框架，结合历史广告点击数据来进行信号、检索关键词和广告的关联，选择模型权重最佳的边缘来提高 RPM/CTR，从而达到多维度广告检索和推荐的目的。

    Dec, 2017

  • Rec4Ad: 淘宝广告 CTR 预测中减轻样本选择偏差的免费午餐

    本文提出了一种基于数据增强和自对齐分离的方法 Rec4Ad，利用有机推荐物品和赞助物品的混合结果缓解广告 CTR 模型中的样本选择偏差，实现了在淘宝广告系统中 CTR 和 RPM 的显著提高。

    Jun, 2023

  • 朝着更好的排名一致性迈进：用于早期广告排名的多任务学习框架

    我们提出了一个多任务学习框架，用于早期阶段排名以捕获多个最终阶段排名组件和它们的任务关系，实现广告召回率和排名一致性的改进。通过模型整合，我们不仅可以实现成本节约，还可以在大规模工业广告排名系统中实现显著更高的点击率、转化率、总价值和更好的广告质量效果。

    Jul, 2023

  • 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

  • 赞助搜索中的收入最大化博弈论机器学习方法

    本文提出一种新颖的博弈论机器学习方法，该方法自然地合并机器学习和博弈论，通过双层优化框架学习拍卖机制以实现经验收入最大化。实验证明，该方法能够比几个基线方法产生更有效的拍卖机制。

    Jun, 2014

  • 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

  • 使用循环神经网络进行赞助搜索的顺序点击预测

    通过引入循环神经网络 (RNN) 的回归结构，直接建模用户序列行为依赖，从而提高点击预测准确性。

    Apr, 2014

  • 联合学习推荐和广告

    本文提出了一种新的两级强化学习框架，用于联合优化推荐和广告策略，第一层生成推荐列表以优化用户体验，第二层将广告插入推荐列表以平衡广告客户的即时广告收入和广告对长期用户体验的负面影响。实验结果表明该框架的有效性。

    Feb, 2020