基于深度不确定性感知学习的在线广告系统探索
信息检索
2021-06-16 v2 机器学习
摘要
现代在线广告系统不可避免地依赖于个性化方法，例如点击率（CTR）预测。近期 CTR 预测的进展得益于深度学习的丰富表示能力，并在大规模工业应用中取得巨大成功。然而，这些方法可能受限于缺乏探索。另一类先前工作用上下文赌博机（contextual bandit）方法解决探索-利用权衡问题，但由于难以将其灵活性与深度模型结合，近期在工业界较少被研究。在本文中，我们提出一种新颖的深度不确定性感知学习（DUAL）方法，基于高斯过程学习 CTR 模型，该方法能在保持深度神经网络灵活性的同时提供预测不确定性估计。DUAL 可轻松在现有模型上实现，并以极小额外计算开销部署于实时系统。通过将 DUAL 的预测不确定性估计能力与著名的 bandit 算法相关联，我们进一步提出基于 DUAL 的广告排序策略，以提升广告系统中的社会福祉等长期效用。在多个公开数据集上的实验结果证明了我们方法的有效性。值得注意的是，部署在阿里巴巴展示广告平台的在线 A/B 测试显示社会福祉提升 8.2%，收入提升 8.0%。
引用
@article{arxiv.2012.02298,
title = {Exploration in Online Advertising Systems with Deep Uncertainty-Aware Learning},
author = {Chao Du and Zhifeng Gao and Shuo Yuan and Lining Gao and Ziyan Li and Yifan Zeng and Xiaoqiang Zhu and Jian Xu and Kun Gai and Kuang-chih Lee},
journal= {arXiv preprint arXiv:2012.02298},
year = {2021}
}
备注
SIGKDD 2021