通过Bandit实验对定向广告受众进行在线评估
机器学习
2019-09-06 v3 机器学习
摘要
实施数字广告活动的企业在确定其广告创意与目标受众之间的正确匹配时面临一个复杂问题。该问题的典型解决方案利用了非实验方法，或使用了未明确解决可能相互重叠的定向受众所带来的复杂性的“拆分测试”策略。本文提出了一种通过在线实验解决该问题的自适应算法。该算法被构建为一个上下文bandit，并通过将目标受众划分为互不相交、不重叠的子群体来解决重叠问题。它在 disjoint 空间中学习最优的创意展示策略，同时并行评估在可能重叠的目标受众空间中哪种创意具有最佳匹配。实验表明，与基于朴素的“拆分测试”或非自适应的“A/B/n”测试的方法相比，所提出的方法更高效。我们还描述了一个使用该算法构建的测试产品。该产品目前部署在中国电商公司及数字广告发布商京东(JD.com)的广告平台上。
引用
@article{arxiv.1907.02178,
title = {Online Evaluation of Audiences for Targeted Advertising via Bandit Experiments},
author = {Tong Geng and Xiliang Lin and Harikesh S. Nair},
journal= {arXiv preprint arXiv:1907.02178},
year = {2019}
}