click-through rate
PulseAugur coverage of click-through rate — every cluster mentioning click-through rate across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
MARCO框架通过分解点击意图来改进广告转化预测
研究人员开发了MARCO，一个旨在通过分解用户点击意图来改进广告转化预测的框架。与将所有点击同等对待的传统模型不同，MARCO按意图对点击进行分类，从而对高意图点击进行更准确的预测，并减少对低意图点击的过度预测。该方法在部署后显示，每点击转化率提高了2.80%，整体收入指标提高了0.98%。
-
PromptPack 为推荐平台将 LLM 注释成本降低 89%
研究人员开发了 PromptPack，这是一个旨在降低在线推荐平台使用大型语言模型 (LLM) 的成本并提高效率的新系统。该系统通过实现上下文批处理来解决与单个 LLM 调用相关的高令牌成本问题，该批处理结合了共享系统提示和严格的 XML 结构来同时处理多个广告素材。据报道，与现有方法相比，这种方法将 LLM 成本降低了 89%，吞吐量提高了 2.5 倍，同时保持了 AUC 等性能指标，并引入了一个名为 Volume-Weighted…
-
新的LO-FAR工作流程为广告推荐提供成本效益高的特征排序
研究人员开发了LO-FAR，一种用于工业广告推荐系统中稀疏特征排序的新工作流程。这种仅CPU的方法使用轻量级局部估计器根据其预测信号对特征进行排序，为受GPU限制的重新训练方法提供了一种经济高效的替代方案。在大型生产数据集上进行测试，LO-FAR在保持点击率和转化率的下游收益方面取得了有竞争力的结果，证明了其在预算和迭代受限的系统中的实用性。
-
新的RAMP方法在用户数据有限的情况下提高了广告预测的准确性
研究人员开发了一种名为RAMP（Robust Ad Recommendation Under Limited Personalized-Feature Availability via Masking and Alignment Pathways）的新方法，以提高在线广告中点击率（CTR）和转化率（CVR）预测的准确性。RAMP旨在即使在个性化用户特征（如年龄和性别）因隐私法规受到限制时，也能保持高预测准确性。该系统采用双塔架构，结合…
-
AI模型通过提高点击率和质量来改进广告标题生成 · 已追踪2个来源
两篇新研究论文提出了先进的广告标题生成方法。一篇论文介绍了一种名为COBART的受控、优化、双向、自回归Transformer模型，该模型使用前缀控制令牌进行微调，ROUGE-L得分提高了25.82%，估计点击率提高了5.82%。另一篇论文提出了一种使用强化学习策略梯度的自批判掩码语言模型方法，该方法在语法和创意质量审计方面优于现有的Transformer和LSTM+RL方法，甚至优于人类提交的标题。
-
新方法通过利用负面行为信号提升用户建模能力
研究人员开发了一种用于点击率预测中序列用户建模的新方法，该方法将跳过和滚动跳过等隐式负面行为与积极互动结合起来。这种方法称为目标感知极性融合（TAPF），使用轻量级门控机制来区分行为证据，并在各种模型架构中显示出相对 AUC 持续提高了 9.6%。研究强调，主要贡献在于混合极性数据范式本身，它显著优于仅依赖积极信号的模型。
-
新框架解决优惠券营销中的广告偏见
研究人员开发了一个名为UniMVT的新框架，用于解决在线广告中的混淆偏见，特别是在优惠券营销方面。该模型将用户偏好与优惠券等干预措施的效果分离开来，从而能够更准确地预测基础点击率（CTR）并估算提升效果。UniMVT能够处理多值处理，并通过真实的A/B测试在预测准确性、校准和业务指标方面显示出显著的改进。
-
量子退火器采用新的 PDQUBO 方法处理推荐系统
研究人员开发了一种名为 PDQUBO 的新方法，用于推荐系统中的特征选择，该方法专为在量子退火器上运行而设计。该方法通过量化特征组合的影响来直接优化推荐系统性能。PDQUBO 是模型无关的，并在实验中证明其性能优于现有的基于 QUBO 的方法和经典基线。