用于广告分配的强化学习深度页面级兴趣网络
机器学习
2022-04-04 v1
摘要
信息流中通常展示广告与自然物品的混合列表，如何将有限槽位分配给广告以最大化整体收益是一个关键问题。同时，利用历史行为建模用户偏好在推荐与广告（如 CTR 预测和广告分配）中至关重要。以往多数用户行为建模工作仅建模用户的历史点级正反馈（即点击），忽略了反馈的页面级信息及其他类型反馈。为此，我们提出深度页面级兴趣网络（DPIN）来建模页面级用户偏好并利用多种类型反馈。具体而言，我们引入四种不同类型的页面级反馈作为输入，并通过多通道交互模块捕获用户在不同感受野下对物品排布的偏好。通过在美团外卖平台上的大量离线与在线实验，我们证明 DPIN 能有效建模页面级用户偏好并提升平台收益。
引用
@article{arxiv.2204.00377,
title = {Deep Page-Level Interest Network in Reinforcement Learning for Ads Allocation},
author = {Guogang Liao and Xiaowen Shi and Ze Wang and Xiaoxu Wu and Chuheng Zhang and Yongkang Wang and Xingxing Wang and Dong Wang},
journal= {arXiv preprint arXiv:2204.00377},
year = {2022}
}
备注
Accepted by SIGIR 2022 as short paper