- SIGIR跟随先知:在滞后反馈下精准预测网站转化率
本文提出了一种基于 FTP 的在线广告延迟反馈问题的解决方案,通过一种多任务预测和聚合策略,从不同时间段的反馈样本中预测 “先知” 预测结果,进行在线学习。实验表明,该方法优于之前的基准线。
- WSDM在线广告自动竞价的合作竞争多智能体框架
该论文研究了在线广告中的自动投标问题,提出了一种基于多智能体强化学习的自动投标框架 MAAB,该框架考虑了竞争和合作关系以及个体收益和社会福利之间的平衡。在大规模广告平台中的实践表明,该方法相对于其他基线方法在社会福利和收益方面都有更优的表 - 鲁棒随机线性情境臂带在对抗攻击下的应用
提出了第一个针对全面适应性攻击的稳健性线性上下文 bandit 算法,其不仅可以抵御回报攻击,还可以抵御袭击环境,提高了对各种流行攻击的稳健性。
- WWW$FM^2$: 推荐系统中的场 - 矩阵分解机
该研究提出了一种新的方法,名为 Field-matrixed Factorization Machines(FmFM,或 FM^2),用于有效和高效地建模数据中的字段信息,在交叉项剪枝的基础上支持字段特定变量维度的嵌入向量,并通过缓存中间向 - 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。
- KDD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 - KDD基于时间窗口假设的延迟反馈学习分类器
本研究提出了一种使用时间窗口假设下所有样本构建的无偏和凸实验风险来进行 DF 学习的方法,并在在线广告中进行了验证。
- 在线广告基于赌博机实验的比较提升系统
Comparison Lift 是一款基于自适应设计的 EaaS 应用程序,用于测试在线广告受众和创意,可以显著提高广告活动的点击率并节约广告商的成本。
- MiNet: 跨领域点击率预测的混合兴趣网络
本文探讨了在线广告系统中面对的 CTR 预测问题,利用源域辅助数据来提高目标域的 CTR 预测性能,提出了 MiNet(Mixed Interest Network)网络,它可以联合建模三种类型的用户兴趣,包括长期跨域兴趣、来自源域的短期兴 - KDDCOLD: 迈向下一代预排序系统
本文提出了 COLD 算法,通过联合优化预排名模型和所需的计算量,在不损失模型性能的前提下,控制计算成本,实现了优异的性能表现。该算法可以广泛应用于推荐系统和在线广告等领域。
- 在线多点触及归因的可解释深度学习模型
DeepMTA 是一种基于深度学习和附加特征解释模型的在线多点触摸归因模型,具有解释性和较高的准确性。
- 用于大规模深度学习广告系统的分布式层次 GPU 参数服务器
论文介绍了一种利用分布式 GPU 层次结构参数服务器进行深度学习广告系统的方法,旨在解决海量数据、大规模深度网络训练领域所面临的空间和性能上的挑战。通过实验证明,该系统在训练速度和性价比等方面都比 MPI-cluster 架构更加优越。
- 在线分配问题的双镜面下降算法
本文研究在线分配问题,涉及凹收益函数和资源限制,是收益管理和在线广告中的中心问题。通过在线镜像下降,我们提出了一种通用的算法类,可以实现次线性期望遗憾,同时也讨论了这种算法在重复拍卖中的应用。
- Fi-GNN: 基于图神经网络建模特征交互以用于 CTR 预测
本文提出了一种新的模型叫做 Feature Interaction Graph Neural Networks (Fi-GNN),可以用于解决 Web 应用中在线广告和推荐系统等任务的 click-through rate(CTR)预测问题 - DEAR: 推荐系统中用于在线广告展示的深度强化学习
本文提出了一种基于强化学习的广告策略,通过设计一个新型的深度 Q 网络结构,可以连续更新其广告策略,在推荐列表中插入广告或不插入广告,并选择最优广告和最佳插入位置,使得推荐广告效果显著提升。
- KDD利用多任务学习在在线广告中预测不同类型的转化
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 - IJCAI基于表示学习的点击率预测
DeepMCP 模型基于匹配、关联和预测三个子网络,可以更准确地预测在线广告系统中的 CTR,并在两个大型数据集上优于现有的人工智能模型。
- KDD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。
- 搜索、推荐和在线广告的深度强化学习:综述
本文概述了基于深度强化学习的信息搜索、推荐和在线广告的方法和应用,回顾了代表性算法,讨论了一些有吸引力的研究方向。
- AutoInt: 基于自注意力神经网络的自动特征交互学习
本文提出了一种称为 AutoInt 的方法,通过多头自注意力神经网络和残差连接,自动学习输入特征的高阶特征交互,共同应用于 CTR 预测、在线广告和推荐系统,并展示了好的解释性和结果。