《SIGIR 2021.docx》由会员分享，可在线阅读，更多相关《SIGIR 2021.docx（24页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、SIGIR2021美团到店广告平台算法团队基于多年度来在广告领域上积累的经历一直在数据偏向等业界挑战性问题不断进展深化优化与算法创新。在之前共享的?KDDCup2020Debiasing比赛冠军技术方案与广告业务应用?一文4中团队共享了在KDDCup比赛中获得冠军的选择性偏向和流行度偏向的解决方案同时也共享了在广告业务上偏向优化的技术框架。本文基于这一技术框架进展继续介绍聚焦于位置偏向问题的最新进展并详细地介绍团队在美团广告获得显著业务效果的位置偏向CTR模型优化方案以该方案为根底形成的论文?DeepPosition-wiseInteractionNetworkforCTRPrediction
2、?也被国际顶级会议SIGIR2021录用。近些年度来由于人工智能技术的高速开展所带来的公平性问题也愈发受到关注。同样的广告技术也存在着许多公平性问题由于公平性问题造成的偏向对广告系统的生态会产生较大的负面影响。图1所示的是广告系统中的反应环路1广告系统通过累积的用户交互反应数据基于一定的假设去训练模型模型对广告进展预估排序展示给用户用户基于可看到的广告进展交互进而累积到数据中。在该环路中位置偏向、流行度偏向等各种不同类型的偏向会在各环节中不断累积最终导致广告系统的生态不断恶化形成“强者愈强、弱者愈弱的马太效应。图1广告系统中的反应环路各种偏向被不断循环累积由于偏向对广告系统以及推荐系统的生态有
3、着极大的影响针对消除偏向的研究工作也在不断增加。比方国际信息检索会议SIGIR在2018年度以及2020年度组织了一些关注于消除偏向主题的专门会议同时也给一些基于偏向以及公平性的论文颁发了最正确论文奖BestPaper2,3。KDDCup2020的其中一个赛道也基于电子商务推荐中的流行度偏向进展开展1。1.背景美团到店广告平台广告算法团队基于美团以及点评双侧的广告业务场景不断进展广告前沿技术的深化优化与算法创新。在大多数广告业务场景下广告系统被分为四个模块分别是触发策略、创意优选、质量预估和机制设计这些模块构成一个广告投放漏斗从海量广告中过滤和优选出优质广告投放给目的用户。其中触发策略从海量广
4、告中挑选出知足用户意图的候选广告集合创意优选负责候选广告的图片以及文本生成质量预估结合创意优选的结果对每一个候选广告进展质量预估包括点击率CTR预估、转化率CVR预估等机制排序结合广告质量和广告出价进展优化排序。在本文中我们也将广告称之为item。CTR预估作为质量预估的一个环节是计算广告中最核心的算法之一。在每次点击付费CPC计费形式下机制设计可以简单地按每千次展示收入eCPM来对广告进展排序以获得广告收入最大化。由于eCPM正比于CTR以及广告出价bid的乘积。因此CTR预估会直接影响到广告的最终收入以及用户体验。为了有更高的CTR预估精度CTR预估从早期的LR5、FM6、FFM7等支持大
5、规模稀疏特征的模型到XGBoost8、LightGBM9等树模型的结合再到WideDeep10、DeepCross11、DeepFM12、xDeepFM13等支持高阶特征穿插的深度学习模型进一步演化到DIN14、DIEN15、DSIN16等结合用户行为序列的深度学习模型一直作为工业界和学术界研究的热点领域之一被不断探究以及不断创新。由于CTR预估模型的训练通常采用曝光点击数据该数据是一种隐式反应数据所以会不可防止地产生各种偏向问题。其中位置偏向因对CTR影响极大而备受关注。如图2所示随机流量上不同位置的CTR分布反响了用户通常倾向于点击靠前位置的广告并且CTR会随着曝光位置的增大而迅速下降。因
6、此直接在曝光点击数据上进展训练模型不可防止地会偏向于靠前位置的广告集合造成位置偏向问题。图2显示正常流量相比随机流量CTR分布更加集中在高位置广告上通过反应环路这一问题将不断地放大并且进一步损害模型的性能。因此解决好位置偏向问题不仅可以提升广告系统的效果而且还能平衡广告系统的生态促进系统的公平性。图2美团广告正常流量以及随机流量在不同位置上的CTR分布广告最终的真实曝光位置信息在线上预估时是未知的这无疑进一步增大了位置偏向问题的解决难度。现有的解决位置偏向的方法可以大致分为以下两种神经网络位置特征建模该方法将位置建模为神经网络中的特征由于在预估经过中并不知道真实位置信息故而有些方法17-19把
7、位置信息放于网络的Wide局部在线下训练时使用真实位置在线上预估时使用固定位置这种方法由于其简单性以及有效性在工业界被广泛应用。为了在线上预估时无需使用位置信息如图3所示PAL20将样本的CTR建模为ProbSeen乘以pCTR其中ProbSeen仅使用位置特征建模而pCTR使用其他信息建模在线上只使用pCTR作为CTR预估值。图3PAL框架InversePropensityWeightingIPW该方法被学术界广泛研究21-29其在模型训练时给不同曝光位置的样本赋予不同的样本权重直观地看应该将具有较低接收反应倾向的广告样本曝光位置靠后的广告分配较高的权重。因此这种方法的难点就在于不同位置的样
8、本权重怎样确定一个简单的方法是使用广告随机展示的流量来准确地计算位置CTR偏向但不可防止地损害用户体验。故而许多方法致力于在有偏的流量上来准确地预估位置偏向。上述的方法通常基于一个较强的假设即点击伯努利变量依赖于两个潜在的伯努利变量E以及如下式所示其中等式左边指的是用户在上下文中点击第个广告的概率我们定义上下文为实时的恳求信息。等式右边第一项指的是位置被查看的概率其中通常为上下文的一个子集大局部方法假设为空集即位置被查看的概率仅与有关。等式右边第二项指的是相关性概率例如用户在上下文中对广告的的真实兴趣。上述方法通常显式或者隐式地估计查看概率然后利用反事实推理CounterfactualInfe
9、rence得出相关性概率最终在线上将相关性概率作为CTR的预估值。训练以及预估之间位置信息的不同处理将不可防止地导致线下线上间的不一致问题进一步导致次优的模型性能。此外已有方法通常假设查看概率仅依赖于位置及局部上下文信息其假设过于简单。不同的用户通常具有不同的阅读习惯有些用户可能倾向于阅读更多item而有些用户通常能快速做出决定并且同一个用户在不同的上下文中搜索意图中也会有不同的位置偏好例如商场等地点词的搜索往往意图不明确导致上下位置的CTR差异并不大。故而位置偏向与用户上下文有关甚至可能与广告本身也有关建模它们间的关系能更好地解决位置偏向问题。不同于上述的方法本文提出了一个基于深度位置穿插网
10、络DeepPosition-wiseInteractionNetworkDPIN模型的多位置预估方法去有效地直接建模来进步模型性能其中是第个广告在第个位置的CTR预估值。该模型有效地组合了所有候选广告以及位置以预估每个广告在每个位置的CTR实现线下线上的一致性并在在线效劳性能限制的情况下支持位置、用户、上下文以及广告之间的深度非线性穿插。广告的最终序可以通过最大化来确定其中为广告的出价本文在线上机制采用一个位置自顶向下的贪心算法去得到广告的最终序。本文的奉献如下本文在DPIN中使用具有非线性穿插的浅层位置组合模块该模块可以并行地预估候选广告以及位置组合的CTR到达线下线上的一致性并大大改善了模
11、型性能。不同于以往只对候选广告进展用户兴趣建模本次首次提出对候选位置也进展用户兴趣建模。DPIN应用一个深度位置穿插模块有效地学习位置用户兴趣以及上下文之间的深度非线性穿插表示。根据对于位置的新处理方式本文提出了一种新的评估指标PAUCPosition-wiseAUC用于测量模型在解决位置偏向问题上的模型性能。本文在美团广告的真实数据集上进展了充分的实验验证了DPIN在模型性能以及效劳性能上都能获得很好的效果。同时本文还在线上部署了A/BTest验证了DPIN与高度优化的已有基线相比有显著提升。2.深度位置穿插网络DeepPosition-wiseInteractionNetwork本节主要介
12、绍深度位置穿插网络DeepPosition-wiseInteractionNetworkDPIN模型。如图4所示DPIN模型由三个模块组成分别是处理个候选广告的根底模块BaseModule处理个候选位置的深度位置穿插模块DeepPosition-wiseInteractionModule和组合个广告以及个位置的位置组合模块Position-wiseCombinationModule不同模块需预估的样本数量不一样复杂模块预估的样本数量少简单模块预估的样本数量多由此来进步模型性能以及保障效劳性能。通过这三个模块的组合DPIN模型有才能在效劳性能的限制下预估每个广告在每个位置上的CTR并学习位置信息
13、以及其他信息的深度非线性穿插表示。下文将会详细地介绍这三个模块。图4DeepPosition-wiseInteractionNetwork模型构造2.1根底模块BaseModule与大多数深度学习CTR模型10-16类似本文采用Embedding以及MLP多层感悟机的构造作为根底模块。对于一个特定恳求恳求根底模块将用户、上下文以及个候选广告作为输入将每个特征通过Embedding进展表示拼接Embedding表示输入多层MLP采用ReLU作为激活函数最终可以得到每个广告在该恳求下的表示。第个广告的表示可以通过如下公式得到其中分别是当前用户特征集合、当前上下文特征集合和第个广告的特征集合是Emb
14、edding映射。2.2深度位置穿插模块DeepPosition-wiseInteractionModule在大多数业务场景中根底模块通常已经被高度优化包含了大量特征甚至用户序列等信息其目的是捕捉用户在该上下文中对不同广告的兴趣。因此根底模块的推理时间复杂度通常较大直接在根底模块中参加位置特征对所有广告在所有位置上进展CTR预估是不可承受的。因此本文提出了一个与根底模块并行的深度位置穿插模块不同于针对广告进展兴趣建模的根底模块该模块针对于位置进展兴趣建模学习每个位置与上下文及用户兴趣的深度非线性穿插表示。在深度位置穿插模块中我们提取用户在每个位置的行为序列将其用于各位置上的用户兴趣聚合这样可以
15、消除整个用户行为序列上的位置偏向。接着我们采用一层非线性全连接层来学习位置、上下文与用户兴趣非线性穿插表示。最后为了聚合用户在不同位置上的序列信息来保证信息不被丧失我们采用了Transformer30来使得不同位置上的行为序列表示可以进展交互。位置兴趣聚合Position-wiseInterestAggregation。我们令为用户在第个位置的历史行为序列其中为用户在第个位置上的历史第个行为记录为点击的item特征集合为发生该行为时的上下文包括搜索关键词、恳求地理位置、一周中的第几天、一天中的第几个小时等行为记录的Embedding表示可以通过下式得到其中分别为以及的特征集合为该行为与当前上下
16、文的时间差。第个位置行为序列的聚合表示可以通过注意力机制获取如以下公式所示其引入当前上下文去计算注意力权重对于与上下文越相关的行为可以给予越多的权重。位置非线性穿插Position-wiseNon-linearInteraction我们采用一层非线性全连接层来学习位置、上下文与用户兴趣非线性穿插表示如下式所示其中将拼接的向量映射到维度。TransformerBlock假如将直接作为第个位置的非线性穿插表示那么会丧失用户在其他位置上的行为序列信息。因此我们采用Transformer去学习不同位置兴趣的交互。令为Transformer的输入Tranformer的多头自注意力构造可以由以下公式表示其
17、中是每个头的维度。因为中已经包含位置信息故而我们不需要Transformer中的位置编码。同样的我们也沿用Transformer中的前馈网络Position-wiseFeed-forwardNetwork、残差连接ResidualConnections和层标准化LayerNormalization。N个TransformerBlock会被使用去加深网络。最终深度位置穿插模块会产出每个位置的深度非线性穿插表示其中第个位置被表示为。2.3位置组合模块Position-wiseCombinationModule位置组合模块的目的是去组合个广告以及个位置来预估每个广告在每个位置上的CTR我们采用一层非
18、线性全连接层来学习广告、位置、上下文以及用户的非线性表示第个广告在第个位置上的CTR可以由如下公式得出其中包括了一层非线性连接层以及一层输出层是位置k的embedding表示是sigmoid函数。整个模型可以使用真实位置通过批量梯度下降法进展训练学习我们采用穿插熵作为我们的损失函数。3.实验在本节中我们评估DPIN的模型性能以及效劳性能我们将详细描绘实验设置以及实验结果。3.1实验设置数据集我们使用美团搜索关键词广告数据集训练以及评估我们的CTR模型。训练数据量到达数亿测试数据量大约一千万。测试集被划分为两个局部一局部是线上采集的常规流量日志另一局部是线上Top-k随机的探究流量日志。Top-
19、k随机的探究流量日志是更合适用来评估位置偏向问题因为它大大削弱了相关性推荐对位置偏向的影响。评估指标我们使用AUCAreaUnderROC作为我们的评估指标之一。为了更好的针对位置偏向问题进展评估我们提出PAUCPosition-wiseAUC作为我们的另一个评估指标其由以下公式计算其中是第个位置的曝光数量是第个位置曝光数据的AUC。PAUC指标衡量每个位置上相关性排序的质量忽略了位置偏向对排序质量的影响。比照的方法。为了公平且充分地比照不同模型的效果我们所有实验中所使用的模型输入使用等量且深度结合美团业务的特征不同模型中的一样模块都使用一致的参数并且比照的基线DIN14模型经过高度优化以下为
20、我们详细进展比照的实验DIN该模型训练以及预估时都没有使用位置信息。DINPosInWide这个方法在网络的Wide局部建模位置特征在评估时采用第一个位置作为位置特征的默认值去评估。DINPAL这个方法采用PAL框架去建模位置信息。DINActualPosInWide这个方法在网络的Wide局部建模位置特征在评估时采用真实位置特征去评估。DINCombination这个方法在DIN的根底上添加了位置组合模块评估时采用真实位置特征去评估。DPIN-Transformer这个方法在我们提出的DPIN模型上去除了Transformer构造来验证Transformer的作用。DPIN这是我们提出的DP
21、IN模型。DPINItemAction我们在DPIN的根底模块MLP层前添加深度位置穿插模块并在位置兴趣聚合以及位置非线性穿插中引入候选广告的信息这个实验是我们方法模型性能的理论上界然而效劳性能是不可承受的。3.2离线评估表1在常规流量以及随机流量上的离线实验评估比照结果表1展示了我们所进展的比照方法在常规流量以及随机流量上的离线实验评估结果其中的数值为各个模型相对于DIN模型的效果差异我们首先分析在常规流量上不同方法的差异。与DIN相比DINPosInWide以及DINPAL的模型在AUC指标上有所下降但在PAUC上有所提升这说明了这两种方法都可以有效地缓解位置偏向但会导致离线以及在线之间的
22、不一致。DINAcutalPosInWide通过在评估经过中引入实际位置来解决不一致问题这可以通过位置组合模块来实现但是在wide局部建模位置会导致位置特征只是一个偏向不能提升PAUC指标固然能更准确地预估各位置上的CTR但没有对数据中固有的位置偏向进展更好的学习。DINCombination通过在DIN中引入位置组合模块我们获得了1.52%的AUC增益以及0.82%的PAUC增益到达线下线上一致性的同时也进一步地缓解了位置偏向这个结果讲明了位置偏向与上下文、用户等信息不独立在不同的用户及上下文中会有不同的位置偏向。更进一步的DPIN建模位置、上下文、用户的深度非线性穿插关系也消除了用户行为序
23、列中存在的位置偏向比照DINCombination获得了0.24%的AUC增益和0.44%的PAUC增益。DPIN-Transformer的效果讲明了丧失其他位置的用户兴趣会影响模型的性能因为这将损失大局部用户兴趣信息。比照DPIN以及DPINItemAction我们发现DPIN的模型性能接近于这个暴力方法讲明DPIN模型逼近了我们方法的理论上界。最终相较于我们的线上基线模型DINPosInWideDPIN获得了2.98%的AUC增益以及1.07%的PAUC增益这在我们的业务场景中是一次极大的AUC以及PAUC提升。为了确保我们的方法可以学习位置偏向而不是单纯地过度拟合系统的选择性偏向我们进一
24、步在随机流量上评估我们的方法。表1的结果说明了在常规流量以及随机流量上不同方法之间的差异是一致的这讲明了就算系统的推荐结果有了宏大的差异该模型仍能有效地学习到在不同用户及上下文中的位置偏向模型学到的位置偏向受系统推荐列表的影响很小这也讲明我们的模型可以不受系统选择性偏向的影响进而泛化到其他推荐方法的流量上。3.3效劳性能图5不同的方法下效劳延迟随着不同候选广告数量的变化图我们从数据集中检索出一些具有不同候选广告数量的恳求以评估不同候选广告数量下的效劳性能。如图5所示由于用户序列操作的延迟在效劳延迟中占了很大比例因此与DIN模型相比位置组合模块效劳延迟可以忽略不计。DPIN的效劳延迟随着广告数量
25、的增加而缓慢增加这是因为相比拟于DINDPIN将用户序列从根底模块挪动到深度位置穿插模块而深度位置穿插模块的效劳性能与广告数量无关。与DIPINItemAction方法相比DPIN在效劳性能方面有了很大的改良对模型性能的损害很小这说明我们提出的方法既高效又有效。3.4在线评估我们在线上部署了A/B测试有稳定的结果说明与基线相比DPIN在CTR上进步了2.25在RPM每千次展示收入上进步了2.15。如今DPIN已在线部署并效劳于主要流量为业务收入的显着增长做出了奉献。4.总结与展望在本文中我们提出了一种新颖的深度位置穿插网络模型DeepPosition-wiseInteractionNetwor
26、k以缓解位置偏向问题该模型有效地组合了所有候选广告以及位置以估算每个广告在每个位置的点击率实现了离线以及在线之间的一致性。该模型设计了位置、上下文以及用户之间的深层非线性穿插可以学习到不同用户、不同上下文中的位置偏向。为了评估位置偏向问题我们提出了一种新的评估指标PAUC离线实验说明所提出的DPIN的效果以及效率均优于已有方法。目前DPIN已部署到美团搜索关键词广告系统并效劳于主要流量。值得一提的是我们的并行组合思想不仅可以用在广告以及位置的组合上可以以用在广告以及创意的组合等广告领域常见的组合排序问题。在将来我们将在这些问题上继续理论我们的方法并进一步地设计更完善的网络构造来解决类似的组合排
27、序问题。我们也将在偏向领域上进展更多的探究解决更多的问题进一步维护广告系统的生态平衡。5.参考文献1Chen,Jiawei,etal.BiasandDebiasinRecommenderSystem:ASurveyandFutureDirections.arXivpreprintarXiv:2020.03240(2020). 2Caamares,Roco,andPabloCastells.ShouldIfollowthecrowd?Aprobabilisticanalysisoftheeffectivenessofpopularityinrecommendersystems.The41stIn
28、ternationalACMSIGIRConferenceonResearchDevelopmentinInformationRetrieval.2018. 3Morik,Marco,etal.Controllingfairnessandbiasindynamiclearning-to-rank.Proceedingsofthe43rdInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval.2020. 4?KDDCup2020Debiasing比赛冠军技术方案及在美团的理论?。 5Richard
29、son,Matthew,EwaDominowska,andRobertRagno.Predictingclicks:estimatingtheclick-throughratefornewads.Proceedingsofthe16thinternationalconferenceonWorldWideWeb.2007. 6Rendle,Steffen.Factorizationmachines.2020IEEEInternationalConferenceonDataMining.IEEE,2020. 7Juan,Yuchin,etal.Field-awarefactorizationmac
30、hinesforCTRprediction.Proceedingsofthe10thACMconferenceonrecommendersystems.2016. 8Chen,Tianqi,andCarlosGuestrin.Xgboost:Ascalabletreeboostingsystem.Proceedingsofthe22ndacmsigkddinternationalconferenceonknowledgediscoveryanddatamining.2016. 9Ke,Guolin,etal.Lightgbm:Ahighlyefficientgradientboostingde
31、cisiontree.Advancesinneuralinformationprocessingsystems30(2017):3146-3154. 10Cheng,Heng-Tze,etal.Widedeeplearningforrecommendersystems.Proceedingsofthe1stworkshopondeeplearningforrecommendersystems.2016. 11Wang,Ruoxi,etal.Deepcrossnetworkforadclickpredictions.ProceedingsoftheADKDD17.2017.1-7. 12Guo,
32、Huifeng,etal.DeepFM:afactorization-machinebasedneuralnetworkforCTRprediction.arXivpreprintarXiv:1703.04247(2017). 13Lian,Jianxun,etal.xdeepfm:Combiningexplicitandimplicitfeatureinteractionsforrecommendersystems.Proceedingsofthe24thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryDataMining.2018.
33、14Zhou,Guorui,etal.Deepinterestnetworkforclick-throughrateprediction.Proceedingsofthe24thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryDataMining.2018. 15Zhou,Guorui,etal.Deepinterestevolutionnetworkforclick-throughrateprediction.ProceedingsoftheAAAIconferenceonartificialintelligence.Vol.33.No
34、.01.2019. 16Feng,Yufei,etal.Deepsessioninterestnetworkforclick-throughrateprediction.arXivpreprintarXiv:1905.06482(2019). 17Ling,Xiaoliang,etal.Modelensembleforclickpredictioninbingsearchads.Proceedingsofthe26thInternationalConferenceonWorldWideWebCompanion.2017. 18Zhao,Zhe,etal.Recommendingwhatvide
35、otowatchnext:amultitaskrankingsystem.Proceedingsofthe13thACMConferenceonRecommenderSystems.2019. 19Haldar,Malay,etal.ImprovingDeepLearningForAirbnbSearch.Proceedingsofthe26thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryDataMining.2020. 20Guo,Huifeng,etal.PAL:aposition-biasawarelearningframewo
36、rkforCTRpredictioninliverecommendersystems.Proceedingsofthe13thACMConferenceonRecommenderSystems.2019. 21Wang,Xuanhui,etal.Learningtorankwithselectionbiasinpersonalsearch.Proceedingsofthe39thInternationalACMSIGIRconferenceonResearchandDevelopmentinInformationRetrieval.2016. 22Joachims,Thorsten,Adith
37、Swaminathan,andTobiasSchnabel.Unbiasedlearning-to-rankwithbiasedfeedback.ProceedingsoftheTenthACMInternationalConferenceonWebSearchandDataMining.2017. 23Ai,Qingyao,etal.Unbiasedlearningtorankwithunbiasedpropensityestimation.The41stInternationalACMSIGIRConferenceonResearchDevelopmentinInformationRetr
38、ieval.2018. 24Wang,Xuanhui,etal.Positionbiasestimationforunbiasedlearningtorankinpersonalsearch.ProceedingsoftheEleventhACMInternationalConferenceonWebSearchandDataMining.2018. 25Agarwal,Aman,etal.Estimatingpositionbiaswithoutintrusiveinterventions.ProceedingsoftheTwelfthACMInternationalConferenceon
39、WebSearchandDataMining.2019. 26Hu,Ziniu,etal.Unbiasedlambdamart:anunbiasedpairwiselearning-to-rankalgorithm.TheWorldWideWebConference.2019. 27Ovaisi,Zohreh,etal.Correctingforselectionbiasinlearning-to-ranksystems.ProceedingsofTheWebConference2020.2020. 28Yuan,Bowen,etal.UnbiasedAdclickpredictionforp
40、osition-awareadvertisingsystems.FourteenthACMConferenceonRecommenderSystems.2020. 29Qin,Zhen,etal.Attribute-basedpropensityforunbiasedlearninginrecommendersystems:Algorithmandcasestudies.Proceedingsofthe26thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryDataMining.2020. 30Vaswani,Ashish,etal.At
41、tentionisallyouneed.arXivpreprintarXiv:1706.03762(2017).6.简介坚强、胡可、庆涛、明健、漆毅、程佳、雷军等均来自美团广告平台技术部。浏览更多-|-END-招聘信息美团广告平台广告算法团队立足广告场景探究深度学习、强化学习、人工智能、大数据、知识图谱、NLP以及计算机视觉最前沿的技术开展探究本地生活效劳电商的价值。主要工作方向包括触发策略用户意图识别、广告商家数据理解Query改写深度匹配相关性建模。质量预估广告质量度建模。点击率、转化率、客单价、交易额预估。机制设计广告排序机制、竞价机制、出价建议、流量预估、预算分配。创意优化智能创意设计。广告图片、文字、团单、优惠信息等展示创意的优化。岗位要求有三年度以上相关工作经历对CTR/CVR预估、NLP、图像理解、机制设计至少一方面有应用经历。熟悉常用的机器学习、深度学习、强化学习模型。具有优秀的逻辑思维才能对解决挑战性问题充满热情对数据敏感擅长分析/解决问题。计算机、数学相关专业硕士及以上学历。具备以下条件优先有广告/搜索/推荐等相关业务经历。有大规模机器学习相关经历。感兴趣的同学可投递简历至techmeituan邮件标题请注明广平搜索团队。也许你还想看|