题目：计算广告中的受众定向与点击率预估研究

科技与互联网在全球的快速发展,带动了一个具有巨大经济价值的新兴产业—— 互联网广告产业。作为互联网公司的主要收入来源,关于互联网广告的研究受到工业 界与学术界越来越多的关注。计算广告学作为一门新兴学科,旨在通过技术方法,对互 联网广告进行精准投放,优化互联网广告的综合收益。计算广告中包含两个关键问题, 分别为受众定向与点击率预估。受众定向技术即是指根据用户的不同属性特征,向目 标用户群进行有效的广告推荐。点击率预估技术即是指根据当前用户、广告及上下文 信息,估算该广告被点击的概率是多少,从而与广告的点击价值一起优化候选广告的 筛选。两者的综合运用,方可实现广告的收益最大化。本论文主要针对计算广告中的 受众定向与点击率预估的研究展开讨论。

受众排序作为受众定向方法中的一种,其旨在根据用户对广告的潜在相关性对用 户进行排序,使广告主能够通过购买排序靠前的固定数量的用户进行广告投放。本文 基于 pairwise 排序学习方法对受众排序问题进行建模,并提出两方面的改进:首先,与 传统的行为定向假设不同,本文假设用户历史行为域与其对广告的偏好域存在于不同 的特征空间里,并基于迁移学习策略建立两者间的关系,进而提出了一种改进的用于 计算广告与用户间相关性特征的 BM25 算法——TransferBM25,以减少非广告相关查 询对排序效果的影响;其次,针对广告建模后特征稀疏的缺点,本文考虑将用户对广 告的反馈信息利用起来,进而提出一种基于相关反馈的广告特征扩展建模算法。通过 实验表明,本文提出的 TransferBM25 相关性特征计算算法以及基于相关反馈的广告特 征扩展建模算法可以地有效提升受众排序的效果。

搜索广告场景中点击率预估不仅需要保证预估出的点击率值尽可能准确,同时需 要保证根据预估值对广告的排序结果尽可能正确。本文指出传统广告点击率预估算法 无法同时满足这两个性质的缺陷,进而提出一种引入排序误差损失的点击率预估算法, 拟通过 pairwise 排序损失的约束提升点击率预估值的准确性,同时带来排序性能的提 升。通过实验表明,本文提出的搜索广告点击率预估算法在排序指标 AUC 与准确率指 标 RMSE 下均有良好表现,能够有效满足搜索广告场景中的点击率预估需求。

此外,本文设计并实现了一种搜索广告投放原型系统,该系统综合了本文关于受 众定向与点击率预估的研究成果,可以实现对搜索广告的精准投放。