利用个体活动水平与群体亲和趋势对邮件推荐响应率的宏观优化
人工智能
2016-09-21 v1 信息检索
摘要
推荐邮件是在用户离开网站后重新与其互动的最佳方式之一。站内推荐系统侧重于在当下为用户找到最相关的物品（对的物品），而邮件推荐则增加了两个关键的额外维度：向谁发送推荐（对的人）以及何时发送（对的时间）。推荐邮件系统至关重要的一点是，不能在极短的时间窗口内向过多用户发送过多邮件，因为如果用户收到太多邮件，可能会取消订阅未来的邮件，或产生脱敏反应而忽略未来的邮件。此外，如果在短时间内联系了过多用户，邮件服务提供商可能会将此类邮件标记为垃圾邮件。因此，优化推荐邮件系统使其能以最少的发送量获得最大的响应率，对于该系统的长期表现至关重要。在本文中，我们提出了一种新颖的推荐邮件系统，它不仅能生成推荐，还结合了个体用户活动数据及其所属群体的行为，以确定每个用户在给定时间段内对任意给定推荐集合的响应可能性。借此，我们有效地创建了一个元推荐系统，该系统通过推荐推荐集合来优化整个系统的总体响应率。所提技术已成功应用于 CareerBuilder 的职位推荐邮件系统中，在使发送邮件量减少 72% 的同时，总转化率提升了 50%。
引用
@article{arxiv.1609.05989,
title = {Macro-optimization of email recommendation response rates harnessing individual activity levels and group affinity trends},
author = {Mohammed Korayem and Khalifeh Aljadda and Trey Grainger},
journal= {arXiv preprint arXiv:1609.05989},
year = {2016}
}
备注
This version is accepted as regular paper in The 15th IEEE International Conference on Machine Learning and Applications (IEEE ICMLA'16) . pre-camera ready version