个性化广告推荐：一种解决普遍点击稀疏问题的排序方法
机器学习
2016-03-08 v1 信息检索
摘要
我们研究个性化广告推荐 (PAR) 问题，即用户访问系统（网站）且系统向用户展示 个广告中的一个。系统使用内部广告推荐策略将用户画像（上下文）映射到其中一个广告。用户点击或忽略广告，相应地，系统更新其推荐策略。PAR 问题通常通过可扩展的 contextual bandit 算法解决，其中策略一般基于分类器。PAR 中的一个实际问题是极端的点击稀疏，因为极少有用户实际点击广告。我们系统研究了在极端点击稀疏情况下使用基于分类器策略的 contextual bandit 算法的缺陷。然后我们提出一种基于排序器的替代策略，通过优化曲线下面积 (AUC) 排序损失来学习，可显著缓解点击稀疏问题。我们在公共数据集以及三个行业专有数据集上进行了大量实验，以说明使用基于排序器的策略相比基于分类器的策略在点击率 (CTR) 上获得的提升。
引用
@article{arxiv.1603.01870,
title = {Personalized Advertisement Recommendation: A Ranking Approach to Address the Ubiquitous Click Sparsity Problem},
author = {Sougata Chaudhuri and Georgios Theocharous and Mohammad Ghavamzadeh},
journal= {arXiv preprint arXiv:1603.01870},
year = {2016}
}
备注
Under review