MOBIUS:面向百度赞助搜索的下一代查询广告匹配

发布于 2021-02-04 13:18:16
  1. Motivation

传统的广告推荐中往往会将触发和排序分开做,但由于各自的目标不一样,会导致广告推荐出现PXTR值很高,但是相关性很低的bad case。本文提出基于Active Learning的数据增强算法MOBIUS来解决这个问题。

  1. Contribution

本文作者在传统的CTR模型上,增加数据增强部分,提升广告推荐中的相关性,从而提升CPM。

  1. 传统的2层结构来计算广告(如下图)。
    触发;
    排序;
    image.png

    1. 传统方法有个明显的问题,相关性低而PXTR高的结果,会被排出来,这样会导致CPM比较低。如下图为论文给出的bad case。

image.png

  1. 本文提出基于Active Learning的数据增强算法,对log进行全局采样,然后将相关性低于阈值且PXTR高的样本,作为bad case的增强样本,放入训练中学习,从而降低这种bad case。

image.png

  1. 本文还包含ANN Search模块,业界常用的比如Annoy、Faiss;

实验

  1. 实验结果

离线AUC降低了,但是相关性提升,人工评测效果提升,线上CPM收益明显。
image.png

1 条评论

发布
问题