用于跨域广告推荐的动态协同过滤 Thompson 采样
信息检索
2022-10-27 v2 人工智能
摘要
近来在线广告主利用推荐系统（RSs）进行展示广告投放以提升用户参与度。上下文赌博机模型是一种广泛使用的 RS，用于利用与探索用户参与度并最大化点击或转化等长期收益。然而，现有模型仅针对特定域内的一组广告进行优化，且不与多域中其他模型共享信息。本文提出动态协同过滤 Thompson 采样（DCTS），一种新颖而简洁的模型，用于在多个赌博机模型间迁移知识。DCTS 利用用户间与广告间的相似性来估计 Thompson 采样的先验分布，此类相似性基于用户与广告的上下文特征获得。相似性使得数据匮乏的域中模型可通过知识迁移更快收敛。此外，DCTS 引入用户的时间动态以追踪其近期偏好变化。我们首先在合成数据集上表明，知识迁移与引入时间动态提升了基线模型性能；随后在真实数据集上做实证分析，结果显示 DCTS 比 SOTA 模型的点击率提升 9.7%。我们还分析了调节时间动态与相似性的超参数，并给出最大化 CTR 的最佳参数。
引用
@article{arxiv.2208.11926,
title = {Dynamic collaborative filtering Thompson Sampling for cross-domain advertisements recommendation},
author = {Shion Ishikawa and Young-joo Chung and Yu Hirate},
journal= {arXiv preprint arXiv:2208.11926},
year = {2022}
}
备注
Published at ADKDD 2022