动态分层经验贝叶斯：一种应用于在线广告的预测模型
机器学习
2018-09-10 v1 机器学习
摘要
预测关键词表现，如展示次数、点击率（CTR）、转化率（CVR）、每次点击收入（RPC）和每次点击成本（CPC），对在线广告行业的赞助搜索至关重要。一个有趣的现象是，尽管总体数据规模庞大，但在个体单元层面的数据非常稀疏。为克服稀疏性并利用数据结构中的分层信息，我们提出了一种动态分层经验贝叶斯（DHEB）模型，该模型通过数据驱动过程动态确定层次结构，并提供基于收缩的估计。我们的方法还配备了一种高效的经验方法，以通过层次结构推导推断。我们在模拟与真实世界数据集上评估了所提方法，并与若干竞争模型进行比较。结果在准确性与效率方面均优于所有对比方法。最后，我们设计了一个两阶段系统以实时提供服务预测。
引用
@article{arxiv.1809.02213,
title = {Dynamic Hierarchical Empirical Bayes: A Predictive Model Applied to Online Advertising},
author = {Yuan Yuan and Xiaojing Dong and Chen Dong and Yiwen Sun and Zhenyu Yan and Abhishek Pani},
journal= {arXiv preprint arXiv:1809.02213},
year = {2018}
}
备注
AdKDD 2018