Gewichtete mehrstufige Merkmalsfaktorisierung für die CTR- und Installationsvorhersage von App-Werbeanzeigen

Diese Arbeit bietet einen Überblick über den Ansatz, den unser Team ISISTANITOS für die ACM RecSys Challenge 2023 verfolgt hat. Die Herausforderung wurde von ShareChat organisiert und bestand darin, die Wahrscheinlichkeit vorherzusagen, dass ein Nutzer eine App-Anzeige anklickt und/oder eine App installiert, um die Optimierung des tiefen Funnel zu verbessern und dabei besonderes Augenmerk auf den Schutz der Nutzerprivatsphäre zu legen. Unser vorgeschlagener Ansatz behandelt die Vorhersage der Klick- und Installationswahrscheinlichkeiten als zwei voneinander verschiedene, jedoch verwandte Aufgaben. Dementsprechend entwickelt das Modell jeweils eine spezifische Menge an Merkmalen für jede Aufgabe sowie eine gemeinsame Menge an Merkmalen. Das Modell heißt Weighted Multi-Level Feature Factorization, da es die Interaktion verschiedener Merkmalsordnungen berücksichtigt, wobei die Ordnung mit der Tiefe in einem neuronalen Netzwerk korreliert ist. Die Vorhersage für eine gegebene Aufgabe wird durch die Kombination der auf den verschiedenen Ebenen verfügbaren aufgabenbezogenen und gemeinsamen Merkmale generiert. Unsere Einreichung erreichte im Endresultat der Academia-Track-Kategorie den 11. Platz mit einer Gesamtpunktzahl von 55. Den Quellcode veröffentlichen wir unter: https://github.com/knife982000/RecSys2023Challenge