用于点击率预测的深层时空神经网络
机器学习
2019-07-22 v2 信息检索
机器学习
摘要
点击率（CTR）预测是在线广告系统中的关键任务。大量研究将每个广告独立考虑，却忽略了可能影响CTR的其他广告与其之间的关系。在本文中，我们研究各类辅助广告以提升目标广告的CTR预测。具体而言，我们从两个视角探索辅助广告：一是空间域，考虑同一页面上展示在目标广告上方的上下文广告；二是时间域，考虑用户历史上点击与未点击的广告。其直觉在于：一同展示的广告可能相互影响，点击的广告反映用户偏好，而未点击的广告在某种程度上表明用户不喜欢什么。为有效利用这些辅助数据，我们提出用于CTR预测的深层时空神经网络（DSTNs）。我们的模型能够学习每类辅助数据与目标广告之间的交互，强调更重要的隐藏信息，并在统一框架中融合异构数据。在公开数据集与两个工业数据集上的离线实验表明，DSTNs优于多种最先进的CTR预测方法。我们已将性能最佳的DSTN部署于神马搜索——中国第二大搜索引擎。A/B测试结果显示，相较于上一版服务模型，线上CTR也得到显著提升。
引用
@article{arxiv.1906.03776,
title = {Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction},
author = {Wentao Ouyang and Xiuwu Zhang and Li Li and Heng Zou and Xin Xing and Zhaojie Liu and Yanlong Du},
journal= {arXiv preprint arXiv:1906.03776},
year = {2019}
}
备注
Accepted by KDD 2019