基于双鲁棒学习的广告供应个性化

广告供应个性化旨在通过调整广告数量和密度来平衡社交媒体广告中的收入和用户参与度这两个长期目标。在行业规模的系统中,广告供应的挑战在于对保守的供应处理 (例如,小幅密度变化) 进行持续时间内的反事实效应建模。本文提出了一套简化的广告供应个性化框架。该框架通过双鲁棒学习 (doubly robust learning) 充分利用数据收集政策中的信息,显著提高了长期处理效果估计的准确性。此外,其低复杂度设计不仅导致比现有方法更低的计算成本,还使其能够扩展到千亿级应用。通过离线实验和在线生产测试,该框架在持续数月时间内始终显著提升了顶线业务指标。该框架已在全球最大社交媒体平台之一的实际流量中完全部署。