AdVance: 基于演化用户兴趣的广告活动性能线性复杂度预测
信息检索
2024-05-20 v1
摘要
实时竞价 (RTB) 广告商希望 \textit{提前知道} 广告活动的预期成本和收益，以避免试错开支。然而，广告活动绩效预测 (CPF) 这一序列建模任务涉及数万笔广告拍卖，面临用户兴趣演变、拍卖表示以及长时序上下文等挑战，使得粗粒度和静态建模方法不够理想。我们提出 \textit{AdVance}，一个时间感知框架，集成了本地拍卖级和全局活动级建模。通过点击物品的时间位置序列和所有显示物品的简洁向量，分离了用户偏好和疲劳。以疲劳向量为条件的交叉注意力捕获用户对每个候选广告的动态兴趣。竞争对手竞争，呈现类似自注意力机制的完全图，因此我们采用 Transformer 编码器通过解决辅助任务将每个拍卖压缩为嵌入。这些顺序嵌入随后由条件状态空间模型 (SSM) 汇总，以在保持全局线性复杂度的同时理解长程依赖。考虑到拍卖之间不规则的时间间隔，我们使 SSM 的参数依赖于当前拍卖嵌入和时间间隔。我们进一步以本地结果的累积值作为 SSM 的全局预测条件。广泛的评估和消融研究表明其优于最先进的方法。AdVance 已部署在腾讯广告平台上，A/B 测试显示平均每用户收入 (ARPU) 提升了 4.5%。
引用
@article{arxiv.2405.10681,
title = {Know in AdVance: Linear-Complexity Forecasting of Ad Campaign Performance with Evolving User Interest},
author = {XiaoYu Wang and YongHui Guo and Hui Sheng and Peili Lv and Chi Zhou and Wei Huang and ShiQin Ta and Dongbo Huang and XiuJin Yang and Lan Xu and Hao Zhou and Yusheng Ji},
journal= {arXiv preprint arXiv:2405.10681},
year = {2024}
}
备注
12 pages, 4 figures, accepted at ACM SIGKDD 2024