#Paper Reading# MOBIUS: Towards the Next Generation of Query-Ad Matching in Baidu’s Sponsored Search

论文题目: MOBIUS: Towards the Next Generation of Query-Ad Matching in Baidu’s Sponsored Search
论文地址: https://dl.acm.org/doi/abs/10.1145/3292500.3330651
论文发表于: KDD 2019（CCF A类会议）
论文所属单位: Baidu

论文大体内容：
本文主要提出了一个基于Active Learning的数据增强算法——MOBIUS（莫比乌斯），用于解决百度凤巢中广告推荐中提升CPM（Cost Per Mille，展现成本，或者叫千人展现成本）问题。

Motivation：
传统的广告推荐中往往会将触发和排序分开做，但由于各自的目标不一样，会导致广告推荐出现PXTR值很高，但是相关性很低的bad case。本文提出基于Active Learning的数据增强算法MOBIUS来解决这个问题。

Contribution：
本文作者在传统的CTR模型上，增加数据增强部分，提升广告推荐中的相关性，从而提升CPM。

1. 传统的2层结构来计算广告（如下图）。
①触发；
②排序；

2. 传统方法有个明显的问题，相关性低而PXTR高的结果，会被排出来，这样会导致CPM比较低。如下图为论文给出的bad case。
 

3. 本文提出基于Active Learning的数据增强算法，对log进行全局采样，然后将相关性低于阈值且PXTR高的样本，作为bad case的增强样本，放入训练中学习，从而降低这种bad case。
 

4. 本文还包含ANN Search模块，业界常用的比如Annoy、Faiss；

实验
5. 实验结果
离线AUC降低了，但是相关性提升，人工评测效果提升，线上CPM收益明显。

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！