不让任何人掉队：一种用于广告主建模的多场景多任务元学习方法
机器学习
2022-02-21 v2
摘要
广告主在淘宝、亚马逊等许多电子商务平台中扮演着重要角色。满足其营销需求并支持其业务增长对平台经济的长期繁荣至关重要。然而，与针对用户建模（如点击率预测）的大量研究相比，对广告主尤其是理解其多样化需求和表现的关注要少得多。不同于用户建模，广告主建模通常涉及多种任务（例如预测广告主支出、活跃率或推广产品的总曝光量）。此外，主流电商平台常提供多种营销场景（如赞助搜索、展示广告、直播广告），而广告主行为往往分散于其中多个场景。这引发了在综合广告主建模中进行多任务和多场景考虑的必要性，其面临以下挑战：第一，每场景或每任务一个模型根本无法扩展；第二，数据样本有限的新或小场景尤其难以建模；第三，场景间关联复杂，且随任务不同可能变化。为应对这些挑战，我们提出一种多场景多任务元学习方法（M2M），可同时预测多个广告场景中的多个任务。
引用
@article{arxiv.2201.06814,
title = {Leaving No One Behind: A Multi-Scenario Multi-Task Meta Learning Approach for Advertiser Modeling},
author = {Qianqian Zhang and Xinru Liao and Quan Liu and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2201.06814},
year = {2022}
}
备注
WSDM2022