在推荐系统和广告平台上,内容定向推广模块需要尽可能将商品、内容或者广告传递到潜在的对内容感兴趣的用户面前。扩充候选集技术(Look-alike建模)需要基于一个受众种子集合识别出更多的相似潜在用户,从而进行更有针对性的内容投放。然而,look-alike建模通常面临两个挑战:
-
一个系统每天可能需要处理成百上千个不同种类的内容定向推广实例(例如体育、政治、社会等不同领域的内容定向推广)。因此,我们很难构建一个泛化的方法,同时在所有内容领域中扩充高质量的受众候选集。
-
一个内容定向推广任务的受众种子集合可能非常小,而一个基于有限种子用户的定制化模型往往会产生严重的过拟合。
怎么解决以上的挑战呢?
今天为大家介绍一篇被KDD-2021收录的论文《Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising》,论文作者来自中科院计算所、腾讯微信看一看、北航。
为了解决以上的挑战,这篇论文提出了一种新的两阶段框架Meta Hybrid Experts and Critics (MetaHeac)。
-
在离线阶段, 本文在不同种类的内容定向推广任务的历史行为数据上,采用元学习的方法训练一个泛化初始化模型。这个模型可以同时抓取不同任务之间的关系,从而能够快速适应新类别内容推广任务。
-
在线上阶段,针对一个新的内容推广实例,模型能够基于给定的种子集合和离线训练得到的泛化初始化模型,快速训练出这个实例的定制化推广模型。我们通过离线实验和线上实验验证了MetaHeac的有效性。目前,该框架已部署到微信中,用于部分内容定向推广场景。
更多详情、请参阅原文。
论文链接:https://arxiv.org/abs/2105.14688
内容中包含的图片若涉及版权问题,请及时与我们联系删除
评论
沙发等你来抢