GACE：学习基于图的跨页面广告嵌入用于点击率预测
信息检索
2024-01-17 v1 人工智能
机器学习
统计方法学
摘要
预测点击率（CTR）是众多在线广告推荐系统的核心任务，有助于改善用户体验并提升平台收入。在此类推荐系统中，我们经常面临两个主要问题：多页面历史广告数据的联合使用以及新广告的冷启动。本文提出了GACE，一种基于图的跨页面广告嵌入生成方法。它能够预热并生成跨不同页面的冷启动和已有广告的表示嵌入。具体而言，我们精心构建了关联关系和一个加权无向图模型，该模型考虑了语义和页面类型属性，以指导特征融合与生成的方向。我们设计了一个变分自编码任务作为预训练模块，并基于此任务为新旧广告生成嵌入表示。在来自RecBole的公开数据集AliEC和来自支付宝的真实行业数据集上的评估结果表明，我们的GACE方法显著优于当前最优（SOTA）方法。在在线A/B测试中，支付宝三个真实页面的点击率分别提升了3.6%、2.13%和3.02%。特别是在冷启动任务中，CTR分别提升了9.96%、7.51%和8.97%。
引用
@article{arxiv.2401.07445,
title = {GACE: Learning Graph-Based Cross-Page Ads Embedding For Click-Through Rate Prediction},
author = {Haowen Wang and Yuliang Du and Congyun Jin and Yujiao Li and Yingbo Wang and Tao Sun and Piqi Qin and Cong Fan},
journal= {arXiv preprint arXiv:2401.07445},
year = {2024}
}
备注
15 pages, 3 figures