Réseaux Neuronaux Spatio-Temporels Profonds pour la Prédiction du Taux de Clics

La prédiction du taux de clics (CTR) est une tâche cruciale dans les systèmes de publicité en ligne. De nombreuses recherches considèrent chaque annonce de manière indépendante, mais ignorent sa relation avec d'autres annonces qui peuvent influencer le CTR. Dans cet article, nous examinons différents types d'annonces auxiliaires pour améliorer la prédiction du CTR de l'annonce cible. Plus précisément, nous explorons les annonces auxiliaires sous deux angles : l'un est dans le domaine spatial, où nous prenons en compte les annonces contextuelles affichées au-dessus de l'annonce cible sur la même page ; l'autre est dans le domaine temporel, où nous prenons en compte les annonces historiquement cliquées et non cliquées par l'utilisateur. L'idée sous-jacente est que les annonces affichées ensemble peuvent s'influencer mutuellement, que les annonces cliquées reflètent les préférences de l'utilisateur, et que les annonces non cliquées peuvent indiquer ce que l'utilisateur n'aime pas dans une certaine mesure. Pour utiliser efficacement ces données auxiliaires, nous proposons des réseaux neuronaux profonds spatio-temporels (DSTNs) pour la prédiction du CTR. Notre modèle est capable d'apprendre les interactions entre chaque type de données auxiliaires et l'annonce cible, de mettre en avant des informations cachées plus importantes, et de fusionner des données hétérogènes dans un cadre unifié. Des expériences hors ligne menées sur un jeu de données public et deux jeux de données industriels montrent que les DSTNs surpassent plusieurs méthodes avancées pour la prédiction du CTR. Nous avons déployé le meilleur DSTN chez Shenma Search, qui est le deuxième plus grand moteur de recherche en Chine. Les résultats des tests A/B montrent que le CTR en ligne a également été significativement amélioré par rapport à notre dernier modèle en service.