提前了解：线性复杂度广告活动效果预测与用户兴趣的演变

实时竞价（RTB）广告商希望提前了解广告活动的预期成本和收益，以避免试错带来的费用。然而，广告效果预测（CPF）是一个序列建模任务，涉及数万个广告拍卖，面临用户兴趣演变、拍卖表示和长上下文的挑战，使得粗粒度和静态建模方法显得不够理想。我们提出了AdVance，这是一种时间感知框架，集成了本地拍卖级别和全局活动级别的建模。通过使用时间定位的点击项目序列和所有展示项目的简明向量，去除用户偏好和疲劳感。基于疲劳向量的交叉注意力捕捉了用户对每个候选广告的兴趣动态。出价者之间相互竞争，形成了类似于自注意力机制的完整图。因此，我们采用了变压器编码器，通过解决辅助任务将每个拍卖压缩为嵌入。这些序列嵌入随后由条件状态空间模型（SSM）摘要，以理解长期依赖性，同时保持全局线性复杂度。考虑到拍卖之间的不规则时间间隔，我们使SSM的参数依赖于当前的拍卖嵌入和时间间隔。我们进一步将SSM的全局预测条件化于本地结果的累积。广泛的评估和消融研究表明，其优越性超越了最先进的方法。AdVance已在腾讯广告平台上部署，A/B测试显示平均每用户收入（ARPU）显著提升了4.5%。