利用多任务条件注意力网络进行转化预测以支持高效广告创意的创建
计算与语言
2019-09-04 v1 机器学习
摘要
准确预测广告转化通常是一项具有挑战性的任务，因为此类转化并不频繁发生。本文提出一个新框架，用于支持创建高性能广告创意，包括在投放给消费者之前准确预测广告创意文本的转化。所提框架包含三个关键思路：多任务学习、条件注意力和注意力高亮。多任务学习是一种通过同时预测点击和转化来改善转化预测精度的思路，以解决数据不平衡难题。此外，条件注意力根据每个广告创意的体裁和目标性别来聚焦其注意力，从而提高转化预测精度。注意力高亮基于条件注意力将重要词语和/或短语可视化。我们使用实际投放历史数据（来自Gunosy Inc.的14,000条展示次数超过一定阈值的创意）评估了所提框架，并确认这些思路提升了转化的预测性能，且能依据创意属性可视化值得关注的词。
引用
@article{arxiv.1905.07289,
title = {Conversion Prediction Using Multi-task Conditional Attention Networks to Support the Creation of Effective Ad Creative},
author = {Shunsuke Kitada and Hitoshi Iyatomi and Yoshifumi Seki},
journal= {arXiv preprint arXiv:1905.07289},
year = {2019}
}
备注
9 pages, 6 figures. Accepted at The 25th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2019) as an applied data science paper