反事實學習於廣告點擊預測之應用

Abstract

點擊率預測在廣告系統中扮演著重要的角色。目前，廣泛使用的方法都是將點擊率預測建模為二元分類問題。具體來說，就是在所有已投放的廣告樣本中，把有點擊的廣告樣本和沒有點擊的廣告樣本分別當成在訓練和離線驗證中的正樣本和負樣本。然而，我們指出常見的廣告系統投放廣告的方式使得已投放的廣告樣本中包含一種選擇偏誤。由於這個偏誤的存在，傳統的二元分類模型會給出不準確的點擊率預測從而產生收入的損失。 本文旨在探究如何使用反事實學習方法消除各類廣告系統中的選擇偏誤問題。在本文的第一部分，我們回顧了一些通用的反事實學習方法，但也同時指出使用這些通用方法在廣告點擊率預測的困難。為了克服這些困難，我們為廣告點擊率預測提出了一種新的反事實框架。通過這個框架，我們可以得到比目前其他最先進方法更好的點擊率預測的結果。在本文的第二部分，我們進一步探究了一類更複雜的廣告系統。在這類廣告系統中，由於相同的廣告放在不同的廣告位置將會有不同的點擊率， 位置信息成為了點擊率預測中必不可少的因素。然而，對於這類系統，目前廣泛使用方法依然只考慮從已投放的廣告中學習預測模型，因此選擇偏誤在這類廣告系統中依然存在。並且，由於位置信息參入，這類系統中同時存在著兩種不一樣的選擇偏誤。為了消除掉這兩類的選擇偏誤，我們進一步改造了反事實學習的框架並且通過實驗驗證了這個框架的有效性。究了一類更複雜的廣告系統。在這類廣告系統中，由於相同的廣告放在不同的廣告位置將會有不同的點擊率， 位置信息成為了點擊率預測中必不可少的因素。然而，對於這類系統，目前廣泛使用方法依然只考慮從已投放的廣告中學習預測模型，因此選擇偏誤在這類廣告系統中依然存在。並且，由於位置信息參入，這類系統中同時存在著兩種不一樣的選擇偏誤。為了消除掉這兩類的選擇偏誤，我們進一步改造了反事實學習的框架並且通過實驗驗證了這個框架的有效性。