基于多任务学习的个性化吸引力增强型赞助搜索
信息检索
2019-07-30 v1
摘要
我们研究电子商务平台中赞助搜索（SS）的一个新问题：如何通过向查询用户展示吸引他们的产品特征来吸引其点击产品广告（ads）。这不仅惠及商家与平台，也改善了用户体验。该问题具有挑战性，原因如下：（1）我们需谨慎处理广告内容而不影响用户搜索体验。（2）难以获取用户对产品特征的显式偏好反馈。（3）如今电子商务平台大量搜索流量来自其移动应用（如淘宝中近90%）。由于空间有限，移动场景下情况更糟。我们聚焦移动场景，提出通过添加若干卖点关键词（SPs）来操控广告标题以吸引查询用户。我们将其建模为个性化吸引力SP预测问题，并在淘宝中进行了大规模离线评估与在线A/B测试。贡献包括：（1）探索了多种SP展示方案。（2）提出了一种SP偏好的用户显式反馈替代指标。（3）探索了多任务学习及各种附加特征以提升性能。我们最优模型的一个变体已部署于淘宝，使每千次展示收入提升2%，商家退出率低于4%。
引用
@article{arxiv.1907.12375,
title = {Personalized Attraction Enhanced Sponsored Search with Multi-task Learning},
author = {Wei Zhao and Boxuan Zhang and Beidou Wang and Ziyu Guan and Wanxian Guan and Guang Qiu and Wei Ning and Jiming Chen and Hongmin Liu},
journal= {arXiv preprint arXiv:1907.12375},
year = {2019}
}