点击率预测的降维：稠密表示与稀疏表示
机器学习
2014-05-14 v2 机器学习
应用统计
统计方法学
摘要
在在线广告中，展示广告越来越多地基于实时拍卖进行投放，获胜的广告主得以展示其广告。这被称为实时竞价 (RTB)。在 RTB 中，拍卖有着非常严格的时间约束，量级约为 100ms。因此，诸如点击率预测等智能竞价机制需要足够快。在这项工作中，我们提议对用户 - 网站交互图进行降维，以生成简化的用户和网站特征，用作点击率的预测因子。我们证明，无限关系模型 (IRM) 作为一种降维方法，提供了与传统降维方案相当的预测性能，同时实现了最经济的特征使用和最快的运行时计算。对于实时竞价等应用，快速的数据库 I/O 和少量的计算是成功的关键，因此我们推荐使用基于 IRM 的特征作为预测因子，以利用来自二分图的推荐效应。
引用
@article{arxiv.1311.6976,
title = {Dimensionality reduction for click-through rate prediction: Dense versus sparse representation},
author = {Bjarne Ørum Fruergaard and Toke Jansen Hansen and Lars Kai Hansen},
journal= {arXiv preprint arXiv:1311.6976},
year = {2014}
}
备注
Presented at the Probabilistic Models for Big Data workshop at NIPS 2013