Ein effektiver Deep-Learning-Ansatz für personalisierte Werbedienst-Empfehlungen

Die personalisierte Werbedienst-Empfehlung stellt eines der größten und anspruchsvollsten industriellen Empfehlungssysteme dar. Die Hauptschwierigkeit bei der Werbeempfehlung besteht darin, relevante Nutzer für eine spezifische Werbung zu finden. Traditionelle Empfehlungsansätze litten darunter, effektive Merkmale sowohl für Werbungen als auch für Nutzerprofile auszuwählen. In diesem Papier untersuchten wir ein tiefes neuronales Netzwerk, um effektive Repräsentationen für die Werbeempfehlung zu lernen. Genauer gesagt verbanden wir die Merkmale eines Nutzerprofils und die Merkmale einer Werbung zu einem Eingangsvektor und verwendeten dann ein tiefes neuronales Netzwerk, um vorherzusagen, ob der Nutzer relevant für die Werbung ist. Wir führten unsere Experimente mit dem Daten-Set des Tencent-Wettbewerbs für Werbung durch, und die Ergebnisse der Experimente zeigen, dass (1) die DNN-Methode eine bessere Vorhersageleistung als traditionelle Ansätze erzielte; (2) die DNN-Methode mit 6 versteckten Knoten die beste Leistung erreichte; (3) die Einzelwahrnehmungsmethode die Multi-Wahrnehmungsmethode bei der Werbeempfehlung übertraf.