推荐系统遇上深度学习(九十五)-[雅虎]点击率预估中的软频率控制

今天介绍的是CIKM 19上雅虎发表的一篇文章，主要介绍了如何在广告点击率预估中进行软频率控制，避免过多的给某一用户展示太多次同一广告造成的点击率下降和用户体验损失。一起来学习一下。

1、背景

Gemini Native是雅虎主要的收入来源，通过在信息流中插入广告来，并通过多种收费模式如CPM、CPC等来获得广告收入。下图展示了不同设备上Gemini Native的广告展现形式：

本文主要关注CPC收费模式。对于这种收费模式，通常情况下按照pCTR * bid对广告进行排序，并进行二价计费，因此点击率预估是比较重要的一环。Gemini native使用的点击率预估模型称作OFFSET（a feature enhanced collaborative- ltering (CF)-based ad click-prediction al- gorithm ），本文重点不在于对此模型的介绍，感兴趣的可以参考论文《OFF-set: one- pass factorization of feature sets for online recommendation in persistent cold start settings》。

用户体验是广告中非常重要的一环，在给用户展示广告时，往往会考虑收益与用户体验之间的平衡。当同一个广告&活动&创意反复推送给同一用户时，用户的点击率会随着推送次数的不断增加而降低，造成用户体验的损失。

在接下来的部分中，首先会对Gemini native的数据进行分析，来看下是否存在上述所说的反复推送点击率下降的问题，随后将介绍如何将展现频次这一因素加入到点击率预估模型中，最后分析一下实验结果。

2、数据分析

本节收集了30天的Gemini native数据来进行分析，看广告展示频次如何影响用户的点击行为。

2.1 全局分析

下图是全局分析的结果，主要包含了两条曲线，横轴是不同广告对同一用户展现次数，橙色曲线代表对应的归一化点击率，蓝色曲线代表所有数据的累积概率分布。

再更具体的解释下两条曲线的含义。橙色曲线中每个点的计算如下：