衡量广告在 LinkedIn 信息流中的长期影响
社会与信息网络
2019-05-28 v2 机器学习
机器学习
摘要
有机动态（来自成员网络）与赞助动态（或广告，来自广告主）共同构成了 LinkedIn 上的新闻流。作为成员默认主页的新闻流，吸引其参与、带来价值并助力 LinkedIn 增长。信息流上的参与度与营收是两个关键却常相互冲突的目标。因此，设计良好的营收-参与权衡（RENT）机制以在信息流中混排广告十分重要。本文中，我们设计实验以理解成员行为如何随不同广告体验随时间演变。这些体验在广告密度上有所不同，而广告质量（由相关性模型确保）保持恒定。我们的实验在随机化成员分桶上进行，并使用两种实验设计来衡量各处理方式的短期与长期效应。基于前三个月数据，我们观察到在本应用中长期影响远小于短期影响。此外，我们观察到不同成员队列（基于用户活跃度水平）随时间的适应与反应存在差异。
引用
@article{arxiv.1902.03098,
title = {Measuring Long-term Impact of Ads on LinkedIn Feed},
author = {Jinyun Yan and Birjodh Tiwana and Souvik Ghosh and Haishan Liu and Shaunak Chatterjee},
journal= {arXiv preprint arXiv:1902.03098},
year = {2019}
}
备注
Needs more polish