无用户数据的在线社交网络最大化点击智能广告

在线社交网络平台上面向广告优化的广告点击率（CTR）预测备受关注。先前工作构建机器学习模型，在训练上采取以用户为中心的方法——主要使用用户数据来分类用户是否会点击广告。虽然该方法已被证明有效，但大多数实体难以使用，且严重依赖用户数据。为此，我们首先考虑 Facebook 上大量广告数据，并使用自然语言处理（NLP）提取关键概念，称之为概念节点。为预测概念节点组合的 CTR 值，我们使用广告数据训练四个机器学习（ML）模型。然后我们将寻找概念节点最优组合的问题转化为一个优化问题。给定某一预算 $k$，我们感兴趣的是找到最大化 CTR 的概念节点最优组合。我们讨论了该优化问题的困难性以及可能的 NP 难性。随后，我们提出一种贪心算法和一种遗传算法，以多项式时间找到接近最优的概念节点组合，其中遗传算法几乎匹配最优解。我们观察到决策树回归器和随机森林回归器相对于点击预测与真实点击值表现出最高的皮尔逊相关系数。此外，我们发现“政治”、“名人”和“组织”概念节点相较于其他所考虑的概念节点明显更具影响力。