通过建模视觉内容提升新广告的点击率预测
信息检索
2022-09-26 v1 计算机视觉与模式识别
摘要
现有的广告点击率（CTR）预测模型主要依赖行为 ID 特征，这些特征基于历史用户-广告交互学习得到。然而，依赖历史用户行为的行为 ID 特征无法描述未与用户发生过先前交互的新广告。为克服行为 ID 特征在建模新广告时的局限，我们利用广告中的视觉内容来提升 CTR 预测模型的性能。具体而言，我们基于广告的视觉内容将每个广告映射为一组视觉 ID。这些视觉 ID 进一步用于生成视觉嵌入以增强 CTR 预测模型。我们将视觉 ID 的学习表述为一个有监督量化问题。由于缺乏广告中商业图像的类标签，我们利用图像文本描述作为监督来优化图像提取器以生成有效的视觉 ID。同时，由于硬量化不可微，我们软化量化操作以使其支持端到端网络训练。在将每张图像映射为视觉 ID 后，我们基于过去积累的历史用户-广告交互学习每个视觉 ID 的嵌入。由于视觉 ID 嵌入仅依赖于视觉内容，其对新广告泛化良好。同时，视觉 ID 嵌入补充了广告行为 ID 嵌入。因此，它能显著提升此前依赖行为 ID 特征的 CTR 预测模型在 new ads 与已积累丰富用户行为的广告上的性能。在百度的在线广告 CTR 预测模型中引入视觉 ID 嵌入后，广告平均 CTR 提升 1.46%，总扣费增加 1.10%。
引用
@article{arxiv.2209.11727,
title = {Boost CTR Prediction for New Advertisements via Modeling Visual Content},
author = {Tan Yu and Zhipeng Jin and Jie Liu and Yi Yang and Hongliang Fei and Ping Li},
journal= {arXiv preprint arXiv:2209.11727},
year = {2022}
}