DCM Bandits: Multiplayer Information Asymmetric Cascading Bandits for Multiple Clicks
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本研究将DCM老虎机扩展至多人信息非对称多点击场景,针对含非对称性的三种场景提供次线性悔恨保证,改进了单智能体结果,算法在非对称环境中表现良好,凸显反馈结构的关键作用。
2026-08-13 cs.LG
Personalized Advertisement Recommendation: A Ranking Approach to Address the Ubiquitous Click Sparsity Problem
University of Michigan(密歇根大学);Adobe Big Data Experience Lab(奥多比大数据体验实验室)
研究了个性化广告推荐问题,即用户访问一个系统(网站),系统向用户显示一个$K$广告。系统使用内部广告推荐策略将用户的配置文件(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问题通常由可扩展的\emph{contextual bandit}算法来解决,其中策略通常基于分类器。PAR中的一个实际问题是极端的点击稀疏性,这是由于很少有用户真正点击广告。系统地研究了基于分类器策略的上下文强盗算法在极端点击稀疏情况下的缺陷。然后,我们提出了一个替代政策,排名的基础上,通过优化曲线下面积(AUC)排名损失,这可以显着缓解点击稀疏的问题。我们在公共数据集以及三个行业专有数据集上进行了广泛的实验,以说明通过使用基于排名的策略比基于分类器的策略获得的点击率(CTR)的改进。
2016-03-06 cs.IR cs.LG
Cascading Non-Stationary Bandits: Online Learning to Rank in the Non-Stationary Cascade Model
University of Amsterdam(阿姆斯特丹大学)
非平稳性出现在许多在线应用中,如网络搜索和广告。在本文中,我们研究了在线学习排名问题的非平稳环境中,用户的偏好突然改变,在一个未知的时刻。我们考虑的问题,确定K个最有吸引力的项目,并提出级联非平稳土匪,一个在线学习变种的级联模型,其中用户浏览排名列表从上到下,点击第一个有吸引力的项目。我们提出了两种算法来解决这个非平稳问题:CascadeDUCB和CascadeSWUCB。我们分析了它们的性能,并推导出这些算法的n步遗憾的间隙相关的上界。我们还建立了一个下界级联非平稳土匪的遗憾,并表明这两种算法匹配的下限的对数因子。最后,我们评估他们的表现在现实世界的网络搜索点击数据集。
2019-11-22 cs.LG stat.ML
A Contextual-Bandit Approach to Personalized News Article Recommendation
Yahoo! Labs(雅虎实验室);Princeton University(普林斯顿大学)
个性化Web服务通过利用内容和用户信息来努力使其服务(广告、新闻文章等)适应个体用户。尽管最近取得了一些进展,但这个问题仍然具有挑战性,至少有两个原因。首先,Web服务的特点是动态变化的内容池,使传统的协同过滤方法不适用。其次,大多数具有实际意义的Web服务的规模要求解决方案在学习和计算方面都要快速。在这项工作中,我们建模的个性化推荐的新闻文章作为一个上下文强盗问题,一个原则性的方法,其中一个学习算法依次选择文章,以服务于用户的上下文信息的基础上,用户和文章,同时适应其文章选择策略的基础上,用户点击反馈,以最大限度地提高总用户点击。这项工作的贡献是三方面的。首先,我们提出了一个新的,一般的上下文强盗算法,是计算效率和学习理论的动机。其次,我们认为,任何强盗算法可以可靠地评估离线使用以前记录的随机流量。最后,使用这种离线评估方法,我们成功地将我们的新算法应用到一个雅虎!Front Page Today模块数据集包含超过3300万个事件。结果显示,与标准的上下文无关的强盗算法相比,点击提升了12.5%,当数据变得更加稀缺时,优势变得更大。
2012-03-01 cs.AI cs.IR cs.LG
Designing for the Next Click: Bandits for Real-Time Page Layout
Target Corporation(塔吉特公司)
该研究提出一种基于LinUCB的上下文多臂老虎机系统,可实时优化电商商品页面布局,在零售平台A/B测试中较启发式基线实现会话级性能正向提升,为Web学习型设计提供可扩展路径。
2026-09-01 cs.LG
Fatigue-aware Bandits for Dependent Click Models
University of California, Berkeley(加州大学伯克利分校);IBM Research(IBM研究院)
当推荐系统发送大量内容以保持用户参与时,用户可能会经历疲劳,这是由以下因素造成的:1)过度浏览不相关的内容,2)看到太多类似的推荐而感到无聊。为了解决这个问题,我们考虑一个在线学习设置,其中平台学习一个策略来推荐考虑用户疲劳的内容。我们提出了一个扩展的依赖点击模型(DCM)来描述用户的行为。我们规定,对于每一个内容,其对用户的吸引力取决于其内在的相关性和折扣系数,衡量有多少类似的内容已经显示。用户按顺序查看推荐的内容,并点击他们认为有吸引力的内容。用户随时可能离开平台,不喜欢内容时退出的概率更高。基于用户的反馈,平台学习底层内容的相关性以及由于内容疲劳而产生的折扣效果。我们把这个学习任务称为“疲劳感知DCM Bandit”问题。我们考虑两个学习场景,这取决于贴现效应是否已知。对于每一种情况下,我们提出了一个学习算法,同时探索和利用,并表征其遗憾界。
2020-08-22 cs.IR cs.LG stat.ML
Multi-level Feedback Web Links Selection Problem: Learning and Optimization
The Chinese University of Hong Kong(香港中文大学);Tsinghua University(清华大学)
为网站选择正确的网络链接很重要,因为合适的链接不仅可以提供高吸引力,而且可以增加网站的收入。在这项工作中,我们首先表明网络链接具有内在的\emph{multi-level feedback structure}。例如,考虑$2$级反馈web链接:$1$第一级反馈提供点击率(CTR),而$2$第二级反馈提供潜在收入,它们共同产生复合$2$级收入。我们考虑上下文无关的链接选择问题的主页选择链接,以最大限度地提高总复合$2$级收入,同时保持总$1$第一级反馈高于预设阈值。我们进一步推广的问题与$n~(n\ge2)$级反馈结构的链接。关键的挑战是,链接的多级反馈结构是不可观察的,除非链接是在主页上选择的。据我们所知,我们是第一个模型的链接选择问题作为一个约束多臂强盗问题,并设计了一个有效的链接选择算法,通过学习的链接的多级结构与可证明的\emph{sub-linear}遗憾和违规界。我们发现了两个真实世界的数据集的Web链接的多级反馈结构。我们还进行了大量的实验数据集上比较我们提出的\textbf{LExp}算法与两个国家的最先进的上下文无关的强盗算法,并表明,\textbf{LExp}算法是最有效的链接选择,同时满足约束。
2017-09-08 cs.LG
Cascading Bandits Robust to Adversarial Corruptions
Hong Kong University of Science and Technology(香港科技大学);East China Normal University(华东师范大学);The Chinese University of Hong Kong(香港中文大学);Shanghai Jiao Tong University(上海交通大学)
针对级联老虎机受对抗性篡改(如点击欺诈)时性能下降的问题,提出CBAC问题并设计两种分别假设篡改水平已知和未知的鲁棒算法,理论证明其未受攻击时对数级遗憾、受攻击时遗憾随篡改水平线性增加,实验验证了鲁棒性。
2025-02-12 cs.LG
FE-TCM: Filter-Enhanced Transformer Click Model for Web Search
North Minzu University(北方民族大学);Chinese Academy of Agricultural Sciences(中国农业科学院)
构建点击模型,从用户与搜索引擎的交互中提取隐含的相关反馈信息,对提高搜索结果的排名具有重要意义。利用神经网络对用户的点击行为进行建模已经成为构建点击模型的有效方法之一。本文以Transformer作为特征提取的骨干网络,创新性地增加了过滤层,提出了一种新的过滤增强的Transformer点击模型(FE-TCM)。首先,为了减少噪声对用户行为数据的影响,我们使用可学习滤波器来过滤日志噪声。其次,根据检验假设,分别对吸引力估计器和检验预测器进行建模,输出吸引力分数和检验概率。一种新的Transformer模型被用来学习不同特征之间的更深层次的表示。最后,我们应用组合函数将吸引力分数和检查概率整合到点击预测中。从我们的实验上两个真实世界的会话数据集,它被证明FE-TCM优于现有的点击模型的点击预测。
2023-01-31 cs.IR cs.LG
User-click Modelling for Predicting Purchase Intent
Faculty of Science(理学院)
本论文以机器学习方法建构使用者行为模型之开放精算数学问题,以预测非寿险产品之购买意愿。对于一家公司来说,了解用户与其网站的互动是很有价值的,因为它提供了对消费者行为的丰富和个性化的见解。大多数现有的用户行为建模研究旨在解释或预测搜索引擎结果页面上的点击或估计赞助搜索中的点击率。这些模型是基于用户的网页的检查模式和网页的项目表示的概念。调查的问题建模的用户行为预测购买意图的商业网站上,我们观察到,用户的意图产生高度依赖于用户如何导航的网站上有多少不同的网页,用户访问,什么样的网页,用户交互,以及用户花了多少时间在每个网页上。受这些发现的启发,我们提出了两种不同的方式来表示用户会话的功能,从而产生两种基于用户点击的购买预测模型:一种基于前馈神经网络,另一种基于递归神经网络。我们通过比较上述两个模型与一个使用用户人口统计特征的模型来检验用户点击预测购买意图的区分度。我们的实验结果表明,我们的点击为基础的模型显着优于人口模型,在标准的分类评估指标,和基于用户点击的顺序表示模型产生的性能略高于基于特征工程的点击模型。
2021-12-03 cs.IR cs.LG
MIRA: Leveraging Multi-Intention Co-click Information in Web-scale Document Retrieval using Deep Neural Networks
Microsoft(微软)
研究了工业Web搜索中的深度查全率模型问题,即给定用户查询,从数十亿个候选文档中检索出数百个最相关的文档。通用的框架是训练两个基于神经嵌入的编码模型,分别学习查询和文档的分布式表示,并在潜在语义空间中进行匹配。然而,所有现有的编码模型都只利用文档本身的信息,这往往是不够的,在实践中与查询词匹配时,特别是对于硬尾查询。在这项工作中,我们的目标是利用额外的信息,每个文件从其共同点击邻居,以帮助文档检索。挑战包括如何在深度模型中涉及共点击信息时有效地提取信息并消除噪声,同时满足实时的在线推理对十亿级数据大小的需求。为了处理协同点击关系中的噪声,本文首先提出了一种Web规模的多意图协同点击文档图(MICG),该图在点击意图层面而非文档层面构建文档之间的协同点击连接。然后,我们提出了一个编码框架MIRA的基础上BERT和图的注意力网络,利用两个因素的注意力机制聚合邻居。为了满足在线延迟的要求,我们只在文档端涉及邻居信息,这样可以节省实时的服务中耗时的查询邻居搜索。我们进行了广泛的离线实验上的公共数据集和私人网络规模的数据集,从两个主要的商业搜索引擎证明所提出的方法的有效性和可扩展性相比,几个基线。进一步的案例分析表明,共点击关系主要从关键概念增强和查询词互补两个方面提高了网络搜索质量。
2020-07-03 cs.CL cs.IR cs.LG
Refining Recency Search Results with User Click Feedback
Yahoo! Labs(雅虎实验室)
传统的用于网络搜索的机器学习排名系统通常被训练为捕获文档与查询的静态相关性,这限制了及时跟踪非静态用户意图的能力。例如,在近因搜索中,文档与突发新闻查询的相关性通常会随着时间的推移而发生显著变化,这需要有效地适应用户的意图。在本文中,我们专注于近度搜索和研究了一些算法,以改善排名结果,利用用户点击反馈。我们的贡献是三方面的。首先,我们使用在随机探索桶中收集的真实搜索会话对这些算法进行\emph{reliable}离线评估,这提供了一个无偏见的算法比较,而无需在线桶测试。其次,我们提出了一个重新排名的方法来改善搜索结果的近因查询使用用户点击。第三,我们对现实生活中的搜索数据的十几种算法的实证比较表明,在这些应用程序中,一些算法选择的重要性,包括在不同的查询-文档对之间的泛化,对流行查询的专业化,以及用户点击的实时适应。
2011-03-19 cs.AI cs.IR cs.LG
WebFovea: When the Model Is Right but the Click Is Wrong -- Reliable Round Trips for Vision-Based Web Agents on Live Websites
WebFovea通过强化模型与浏览器间harness的四个关键阶段并设置护栏,将真实网站视觉Web智能体的隐藏集分数从31.0提升至57.0,获挑战赛第二名。
2026-10-08 cs.AI cs.CV cs.LG
Online Diverse Learning to Rank from Partial-Click Feedback
Carnegie Mellon University(卡内基梅隆大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);New York University(纽约大学);Google Research(谷歌研究院);Adobe Research(奥多比研究院)
学习排序是机器学习和推荐系统中的一个重要问题。在推荐系统中,通常向用户推荐项目列表。由于用户不太可能检查整个推荐列表,因此部分反馈自然会出现。同时,多样化的推荐很重要,因为在实践中对用户的所有口味进行建模是具有挑战性的。在本文中,我们提出了第一个算法在线学习排序不同的项目从部分点击反馈。我们假设用户检查推荐项目列表,直到用户被一个项目吸引,点击它,并且不检查其余的项目。这种用户行为模型被称为级联模型。我们提出了一个在线学习算法,juelsb,解决我们的问题。该算法主动探索用户的口味,学习的目标是推荐最佳的多样性列表。我们分析了该算法,并证明了一个无间隙的上界的n步遗憾。我们在合成和真实世界的数据集上评估了Cumelsb,将其与各种基线进行了比较,并表明即使我们的建模假设不完全成立,它也能学习。
2018-11-21 cs.IR cs.LG stat.ML
From Clicks to Intent: Cross-Platform Session Embeddings with LLM-Distilled Taxonomy for Financial Services Recommendations
Capital One
针对金融服务中网页匿名浏览与移动端登录行为差异导致的意图信号利用不足问题,提出自监督Transformer编码会话嵌入与LLM提炼分类法生成可解释标签的双用途框架,在移动端首页排序和用户转化预测任务上显著提升性能。
2026-10-15 cs.AI cs.CE cs.CL
Handling many conversions per click in modeling delayed feedback
Google Research(谷歌研究院);Google(谷歌)
预测点击后转化(购买或其他事件)的预期价值或数量是基于性能的数字广告的关键任务。在训练转换优化器模型时,最关键的方面之一是处理与转换相关的延迟反馈,这可能会以不同的延迟多次发生。这个任务是困难的,因为延迟分布对于每个广告客户是不同的,是长尾的,通常不遵循任何特定类别的参数分布,并且可以随时间变化。我们使用基于三个核心思想的无偏估计模型来应对这些挑战。第一个想法是将标签拆分为具有不同延迟桶的标签之和,每个标签仅在成熟标签上训练,第二个是使用温度计编码来提高准确性并降低推理成本,第三个是使用辅助信息来提高模型的稳定性并处理分布中的漂移。
2021-01-06 cs.LG
Improved Adaboost Algorithm for Web Advertisement Click Prediction Based on Long Short-Term Memory Networks
Georgia Institute of Technology(佐治亚理工学院);Northeastern University(东北大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);The University of Tokyo(东京大学)
针对网页广告点击预测问题,提出基于LSTM的改进Adaboost算法,准确率达92%,多指标优于传统模型,泛化能力强,可应用于实际场景。
2024-08-08 cs.AI cs.IR cs.LG
Unbiased Learning-to-Rank with Biased Feedback
Cornell University(康奈尔大学)
隐式反馈(例如,点击、停留时间等)是人机交互系统中丰富的数据源。虽然隐式反馈具有许多优点(例如,收集成本低、以用户为中心、及时),但其固有的偏见是其有效使用的主要障碍。例如,搜索排名中的位置偏差强烈影响结果接收的点击量,因此在学习排序(LTR)方法中直接使用点击数据作为训练信号会产生次优结果。为了克服这个偏差问题,我们提出了一个反事实推理框架,提供了理论基础,无偏LTR通过经验风险最小化,尽管有偏见的数据。使用这个框架,我们推导出一个倾向加权排名SVM的歧视性学习隐式反馈,点击模型的倾向估计的作用。与使用点击模型来消除数据偏见的大多数传统方法相比,这允许即使在查询不重复的设置中也能训练排名函数。除了理论支持之外,我们还从经验上证明了所提出的学习方法在处理偏差方面非常有效,它对噪声和倾向模型的错误设定具有鲁棒性,并且它可以有效地扩展。我们还证明了我们的方法在实际操作中的搜索引擎,它大大提高了检索性能的适用性。
2016-08-16 cs.IR cs.LG
Adversarial Attacks on Online Learning to Rank with Click Feedback
California Institute of Technology(加州理工学院);Southeast University(东南大学);The Chinese University of Hong Kong(香港中文大学);Shanghai Jiao Tong University(上海交通大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文研究在线学习排序的对抗性攻击,提出针对 UCB 算法及通用点击模型下任意算法的攻击策略,使智能体以 $T-o(T)$ 次选择目标项目且累积代价为 $o(T)$,并通过实验验证其有效性。
2023-05-26 cs.CR cs.IR cs.LG
Dimensionality reduction for click-through rate prediction: Dense versus sparse representation
Adform ApS(Adform公司);Technical University of Denmark(丹麦技术大学)
在在线广告中,展示广告越来越多地基于实时拍卖来投放,其中获胜的广告客户可以投放广告。这就是所谓的实时竞价(RTB)。在RTB中,拍卖有非常严格的时间限制,大约为100 ms。因此,用于智能出价的机制(诸如点击率预测)需要足够快。在这项工作中,我们建议使用降维的用户-网站交互图,以产生简化的功能,用户和网站,可用作预测的点击率。我们证明了无限关系模型(Infinite Relational Model,缩写为RRM)作为降维方法,提供了与传统降维方案相当的预测性能,同时实现了最经济的功能使用和运行时最快的计算。对于实时竞价等应用,快速的数据库I/O和少量的计算是成功的关键,因此我们建议使用基于特征的预测器来利用二分图的推荐效果。
2014-05-13 cs.LG stat.AP stat.ME
Delayed Feedback Modeling for Post-Click Gross Merchandise Volume Prediction: Benchmark, Insights and Approaches
School of Informatics, Xiamen University Xiamen China;Taobao \& Tmall Group of Alibaba Beijing China;School of Informatics, Xiamen University;Taobao \& Tmall Group of Alibaba
本文提出READER模型,通过在线流式训练和动态校准回归目标,提升GMV预测性能,揭示复购样本与单次购买样本标签分布差异,推动延迟反馈建模研究。
2026-01-28 cs.LG
Offline Evaluation of Ranking Policies with Click Models
The Chinese University of Hong Kong(香港中文大学);Adobe Research(奥多比研究院);Rutgers University(罗格斯大学)
从推荐系统到搜索和广告,许多网络系统对项目列表进行排名并向用户呈现。实践中的一个重要问题是离线评估新的排名策略,并在部署之前对其进行优化。我们解决这个问题,提出评估算法,估计预期的点击排名列表从历史记录的数据。现有的算法不能保证在我们的问题中是统计有效的,因为推荐列表的数量可以随着它们的长度呈指数增长。为了克服这一挑战,我们使用用户与项目列表交互的模型,即所谓的点击模型,来构建统计学上有效学习的估计器。我们分析我们的估计,并证明他们是更有效的估计,不使用的点击模型的结构,点击模型的假设下。我们评估我们的估计在一系列的实验中对现实世界的数据集,并表明他们一贯优于先验估计。
2018-06-13 cs.LG stat.ML
Unbiased Recommender Learning from Missing-Not-At-Random Implicit Feedback
Tokyo Institute of Technology(东京工业大学);SMN Corporation(SMN公司)
推荐系统广泛使用隐式反馈,如点击数据,因为它的普遍可用性。虽然点击的存在在某种程度上表明了用户的偏好,但没有这种点击并不一定表示用户的负面响应,因为用户可能没有接触到这些项目(正面-未标记问题)。这导致难以从隐式反馈中预测用户的偏好。以前的研究解决了积极的未标记的问题,通过统一的权重的损失的正反馈数据或估计的信心,通过EM算法的相关信息的每个数据。然而,这些方法未能解决非随机缺失问题,其中流行或频繁推荐的项目比其他项目更可能被点击,即使用户对它们没有相当大的兴趣。为了克服这些限制,我们首先定义一个理想的损失函数进行优化,以实现最大化的相关性的建议,并提出了一个无偏估计量的理想损失。随后,我们分析了所提出的无偏估计量的方差,并进一步提出了一个裁剪估计,其中包括作为特殊情况的无偏估计量。我们证明了裁剪估计预计将提高推荐系统的性能,通过考虑偏差方差权衡。我们进行半合成和真实世界的实验,并证明所提出的方法在很大程度上优于基线。特别是,所提出的方法对于训练数据中不太频繁观察到的罕见项目效果更好。实验结果表明,该方法可以更好地实现推荐具有最高相关性的项目的目标。
2020-02-09 cs.IR cs.LG stat.ML
Follow the TRACE: Exploiting Post-Click Trajectories for Online Delayed Conversion Rate Prediction
State Key Lab of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences(人工智能安全国家重点实验室,计算技术研究所,中国科学院)
本文提出TRACE方法,通过建模点击后行为轨迹来提升在线延迟转化率预测的准确性,采用动态后验更新和可靠性门控回顾补全模块,有效解决标签准确性和数据新鲜度的平衡问题。
2026-04-25 cs.LG
Click-through Rate Prediction with Auto-Quantized Contrastive Learning
Shanghai Jiao Tong University(上海交通大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Hong Kong Baptist University(香港浸会大学)
点击率(CTR)预测成为无处不在的Web推荐应用中不可或缺的。然而,当前的方法在用户交互极其稀疏的冷启动场景下挣扎。我们认为这个问题是一个自动识别的用户行为是否足够丰富,以捕捉预测的兴趣,并提出了一个自动量化的对比学习(AQCL)损失正则化模型。与以往的方法不同,AQCL同时利用实例-实例和实例-聚类的相似性来增强潜在表示的鲁棒性,并自动减少由于量化而导致的主动用户的信息损失。所提出的框架对不同的模型架构是不可知的,并且可以以端到端的方式进行训练。广泛的结果表明,它一贯改善目前的国家的最先进的CTR模型。
2021-09-27 cs.AI cs.IR cs.LG
Beyond Rankings: Exploring the Impact of SERP Features on Organic Click-through Rates
Nova School of Business and Economics(诺瓦商业与经济学院);Universität Hamburg(汉堡大学)
本文基于覆盖40多个美国电商域名、67,000个关键词及2,400万次浏览的大规模Google SERP数据集,评估24种SERP功能对自然CTR的调节作用,并通过消融实验验证其增量预测能力。
2023-05-31 cs.IR cs.LG cs.SI
Beyond Manual Annotation: A Human-AI Collaborative Framework for Medical Image Segmentation Using Only "Better or Worse" Expert Feedback
Nanjing University of Science and Technology(南京理工大学)
针对医学图像像素级人工标注成本高昂的问题,提出仅依赖专家“更好/更差”偏好反馈的人机协作分割框架,结合FM、标签传播与点击智能体生成伪标签,并在三个公开数据集上验证其竞争力。
2025-07-28 cs.LG eess.IV
Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction
Alibaba Group(阿里巴巴集团)
在电子商务中,准确估计点击后转化率(CVR)是至关重要的。然而,CVR预测在实践中通常面临三个主要挑战:i)数据稀疏性:与印象相比,转换样本通常非常稀缺; ii)样本选择偏差:传统的CVR模型使用点击印象进行训练,同时对所有印象的整个空间进行推断; iii)延迟反馈:许多转换只能在由于点击发生而导致的相对长且随机的延迟之后才能观察到,从而导致训练期间的许多假阴性标签。以往的研究主要集中在一个或两个问题,而忽略了其他问题。在本文中,我们提出了一种新的神经网络框架ESDF同时解决上述三个挑战。与现有的方法不同,ESDF从整个空间的角度对CVR预测建模,并结合了用户顺序行为模式和时间延迟因素的优点。具体地说,ESDF利用用户行为在整个空间上的顺序行为,所有的印象,以减轻样本选择偏差问题。通过共享CTR和CVR网络的嵌入参数,极大地缓解了数据稀疏性问题。与传统的延迟反馈方法不同,ESDF对延迟分布没有任何特殊的假设。将延迟时间按天槽离散化,并基于生存分析,采用深度神经网络对概率进行建模,更符合实际,更适合工业场合。进行了大量的实验,以评估我们的方法的有效性。据我们所知,ESDF是在CVR预测领域联合解决上述三个挑战的第一次尝试。
2020-11-24 cs.LG
Modeling Attractiveness and Multiple Clicks in Sponsored Search Results
Microsoft Bing Ads(微软必应广告);Purdue University(普渡大学)
点击模型是用于利用用户反馈的重要工具,并且被商业搜索引擎用于显现相关搜索结果。然而,现有的点击模型缺乏两个方面。首先,在计算吸引力时,它们不会在搜索结果中共享信息。其次,他们假设用户按顺序与搜索结果交互。基于我们对商业搜索引擎的点击日志的分析,我们观察到顺序扫描假设并不总是成立的,特别是对于赞助商的搜索结果。为了克服上述两个局限性,我们提出了一个新的点击模型。我们的关键见解是,在搜索结果中共享信息有助于识别重要的单词或关键短语,然后可以用来准确计算搜索结果的吸引力。此外,我们认为,点击概率的位置,以及其吸引力的变化,在用户会话,并取决于用户过去的点击经验。我们的模型无缝地结合了外部性(响应用户查询显示的其他搜索结果的质量),用户疲劳,以及前和后点击赞助搜索结果的相关性的影响。我们提出了一个有效的一遍推理方案,并通过大量的实验,使用大型商业搜索引擎的点击日志经验评估我们的模型的性能。
2014-01-01 cs.IR cs.LG
Deep Learning for Click-Through Rate Estimation
Shanghai Jiao Tong University(上海交通大学)
点击率(CTR)估计是各种个性化在线服务的核心功能模块,包括在线广告,推荐系统和网络搜索等。从2015年开始,深度学习的成功开始有利于CTR估计性能,现在深度CTR模型已经广泛应用于许多行业平台。在本调查中,我们全面回顾了用于CTR估计任务的深度学习模型。首先,我们回顾了从浅层到深层CTR模型的转移,并解释了为什么深入是一个必要的发展趋势。其次,我们专注于深度CTR模型的显式特征交互学习模块。然后,作为具有丰富用户历史的大型平台的重要视角,讨论了深度行为模型。此外,最近出现的自动化方法的深度CTR架构设计。最后,对本研究进行了总结,并对该领域的发展前景进行了展望.
2021-04-21 cs.IR cs.LG
Iterative Boosting Deep Neural Networks for Predicting Click-Through Rate
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
点击率(CTR)反映了特定项目的点击量与其总浏览量的比率。它对网站的广告收入有重大影响。学习复杂的模型来理解和预测用户行为对于最大化推荐系统中的CTR至关重要。最近的工作提出了新的方法,用各种能够从原始数据中捕获复杂模式的深度学习(DL)分类器取代昂贵且耗时的特征工程过程;这些方法在CTR预测任务上显示出显着的改进。虽然DL技术可以学习复杂的用户行为模式,但它依赖于大量的数据,并且在数据量有限时表现不佳。我们提出了XDBoost,一种新的DL方法,用于捕获复杂的模式,只需要有限的原始数据。XDBoost是一个迭代的三阶段神经网络模型,受到传统机器学习提升机制的影响。XDBoost的组件按顺序运行,类似于boosting;但是,与传统的boosting不同,XDBoost不会将其组件生成的预测相加。相反,它利用这些预测作为新的人工特征,并通过使用这些特征重新训练模型来增强CTR预测。为了说明XDBoost在两个数据集上的有效性而进行的综合实验证明了其在CTR预测方面优于现有最先进(SOTA)模型的能力。
2020-07-26 cs.IR cs.LG stat.ML
RankFormer: Listwise Learning-to-Rank Using Listwide Labels
Amazon(亚马逊);Ghent University(根特大学)
本研究针对传统排序学习忽略列表整体绝对反馈的问题,提出以Transformer为核心的RankFormer架构,联合优化列表级评估目标与传统列表式排序目标,实验证明其效果优于基线,可通过知识蒸馏快速落地。
2023-06-09 cs.IR cs.LG