計算廣告中冷啟動問題的研究.pdf

1、計算廣告的本質(zhì)是尋找廣告和用戶的匹配。我們可以將該問題可以看作一個推薦問題，即為用戶推薦符合其興趣的廣告。但是計算廣告有一個天然的缺陷，即點擊率低，在推薦算法中，尤其是協(xié)同過濾算法，是基于用戶的評分?jǐn)?shù)據(jù)的，由于廣告的點擊率低，即用戶評分?jǐn)?shù)據(jù)太稀疏，因此傳統(tǒng)推薦算法在這種情況下效果很差。這種評分?jǐn)?shù)據(jù)太稀疏的情形，在推薦系統(tǒng)中被稱為冷啟動問題。在計算廣告中，解決這種冷啟動問題通常有兩種方法，一種是利用強(qiáng)化學(xué)習(xí)的方法，通常將該問題轉(zhuǎn)化為mul

2、ti-armed bandit問題，另一種是利用推薦系統(tǒng)中基于內(nèi)容的推薦方法。
　　本文研究的內(nèi)容正是計算廣告中的冷啟動問題，本文提出了兩種方法，一種是在搜索廣告的場景下，利用用戶的歷史搜索記錄，將該問題轉(zhuǎn)化為一個基于session的multi-armed bandit問題，在利用已有數(shù)據(jù)擬合得到的模型的基礎(chǔ)上，加入了不確定因子，在explore和exploit之間達(dá)到平衡。另一種方法是利用哈希的方法在冷啟動中為用戶推薦，本文提出

3、了兩種哈希算法，一種是基于最大熵的哈希算法，在使哈希值體現(xiàn)用戶偏好的同時，使哈希值的熵最大，這樣能夠在最終的推薦結(jié)果中，在準(zhǔn)確率和召回率之間達(dá)到平衡；另一種是基于boosting的哈希方法，利用了boosting泛化能力強(qiáng)的特點，通過逐位求解哈希值，能夠使在哈希位數(shù)大的時候，仍然能保持很強(qiáng)的泛化能力，有很好的推薦效果。
　　本文通過實驗驗證了本文方法的有效性，session bandit的方法要比直接使用模型預(yù)測的結(jié)果和不使用用戶