面向联合品牌营销推荐的统一在线-离线框架

联合品牌已成为企业在推荐系统中扩大市场覆盖范围的重要战略。然而，由于资源不平衡、品牌意愿不确定以及市场条件不断变化，识别有效的跨行业合作伙伴仍然具有挑战性。在本文中，我们首次对该问题进行了系统性研究，并提出一个统一的在线-离线框架以实现联合品牌推荐。我们的方法首先构建一个连接“发起”品牌与“目标”品牌的二部图，以量化联合品牌概率并评估市场收益。在在线学习阶段，我们根据市场反馈动态更新该图，同时在探索新合作以获取长期收益与利用既有合作以获取即时收益之间取得平衡。为解决高昂的初始联合品牌成本，我们的框架减少了冗余探索，从而在确保可持续战略增长的同时提升了短期表现。在离线优化阶段，我们的框架整合同一母品牌下多个子品牌的利益，以最大化整体回报，避免对单一子品牌的过度投资，并降低因过度优先单一子品牌而产生的不必要成本。我们对所提方法进行了理论分析，为复杂联合品牌问题中的在线学习建立了高度非平凡的次线性遗憾界，并增强了NP-hard离线预算分配优化的近似保证。在合成数据集与真实世界联合品牌数据集上的实验证明了我们框架的实用有效性，实现了至少12%的提升。