面向在线广告拍卖中效用优化的代价敏感学习
机器学习
2017-07-13 v3
摘要
计算广告中最具挑战性的问题之一是在线广告拍卖中用于出价的点击率和转化率预测。先前方法未解决的一个问题是存在高度非均匀的错误预测代价。虽然在模型评估中，这些代价已通过最近提出的业务感知离线指标（如衡量对广告主利润影响的效用指标）被考虑，但在训练模型本身时并非如此。本文为弥补这一差距，正式分析了优化效用指标与对数损失之间的关系，后者被视为转化建模中最先进的方法之一。我们的分析引出了用预测结果的业务价值对对数损失进行加权的想法。我们提出并分析了一种新的代价加权方案，并表明在离线和在线性能上均可获得显著提升。
引用
@article{arxiv.1603.03713,
title = {Cost-sensitive Learning for Utility Optimization in Online Advertising Auctions},
author = {Flavian Vasile and Damien Lefortier and Olivier Chapelle},
journal= {arXiv preprint arXiv:1603.03713},
year = {2017}
}
备注
First version of the paper was presented at NIPS 2015 Workshop on E-Commerce: https://sites.google.com/site/nips15ecommerce/papers Third version of the paper will be presented at AdKDD 2017 Workshop: adkdd17.wixsite.com/adkddtargetad2017