用于赞助搜索中点击率预测的深度监督语义模型
信息检索
2018-03-29 v1
摘要
在赞助搜索中，匹配与查询相关的广告并准确预测其被点击的可能性至关重要。商业搜索引擎通常对查询-广告相关性匹配和点击率（CTR）预测都使用机器学习模型。然而，匹配模型基于查询与广告之间的相似性，忽略了检索到的广告可能不吸引点击的事实，而点击模型依赖点击历史，对新查询和广告用途有限。我们提出了一种深度监督架构，联合学习查询和广告的语义嵌入及其对应的 CTR。我们还提出了一种新颖的同组负采样技术来学习隐式负信号。我们使用来自某主要商业网络搜索引擎的十亿条查询-广告对训练了该架构。该架构在 CTR 预测的 AUC 上比性能最佳的基线深度神经架构提升 2%，在查询-广告匹配的 NDCG 上取得统计显著的 0.5% 提升。
引用
@article{arxiv.1803.10739,
title = {Deeply Supervised Semantic Model for Click-Through Rate Prediction in Sponsored Search},
author = {Jelena Gligorijevic and Djordje Gligorijevic and Ivan Stojkovic and Xiao Bai and Amit Goyal and Zoran Obradovic},
journal= {arXiv preprint arXiv:1803.10739},
year = {2018}
}
备注
The first and second authors listed are co-first author