깊이 공간-시간 신경망을 이용한 클릭률 예측

클릭률(CTR) 예측은 온라인 광고 시스템에서 중요한 작업입니다. 많은 연구들은 각 광고를 독립적으로 고려하지만, CTR에 영향을 미칠 수 있는 다른 광고들과의 관계는 무시하고 있습니다. 본 논문에서는 대상 광고의 CTR 예측을 개선하기 위해 다양한 유형의 보조 광고를 조사합니다. 특히, 두 가지 관점에서 보조 광고를 탐색합니다: 하나는 공간 영역으로, 같은 페이지 상에서 대상 광고 위에 표시되는 맥락적 광고를 고려합니다; 다른 하나는 시간 영역으로, 사용자가 과거에 클릭한 및 클릭하지 않은 광고를 고려합니다. 이들의 직관적인 해석은 함께 표시된 광고들이 서로 영향을 줄 수 있다는 점, 클릭한 광고가 사용자의 선호도를 반영한다는 점, 그리고 클릭하지 않은 광고가 사용자가 어느 정도까지 싫어하는 것을 나타낼 수 있다는 점입니다. 이러한 보조 데이터를 효과적으로 활용하기 위해, 우리는 CTR 예측을 위한 딥 스페이셜-템포럴 신경망(DSTNs)을 제안합니다. 우리의 모델은 각 유형의 보조 데이터와 대상 광고 간의 상호작용을 학습하고, 더 중요한 은닉 정보를 강조하며, 이질적인 데이터를 통합된 프레임워크에서 융합할 수 있습니다. 한 공개 데이터셋과 두 개의 산업 데이터셋에 대한 오프라인 실험 결과, DSTNs이 여러 최신 방법들보다 CTR 예측 성능이 우수함을 확인하였습니다. 우리는 최우수 성능을 보인 DSTN을 중국에서 두 번째로 큰 검색 엔진인 샤엔마 검색(Shenma Search)에 배포하였습니다. A/B 테스트 결과는 온라인 CTR 역시 기존 서비스 모델과 비교하여 크게 향상되었음을 보여주었습니다.