推荐算法： 百度mobius
source link: https://blog.csdn.net/oqqYuan1234567890/article/details/106581302
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
434
论文地址：http://research.baidu.com/Public/uploads/5d12eca098d40.pdf
广告不同阶段优化目标不一致
普通用户看到的三个阶段，曝光-点击-转化
背后是一套复杂的召回排序系统
- 召回阶段：建立query，可以是用户的搜索信息，也可以是广告位的属性或者上下文信息，这个阶段主要考虑相关性
- 排序：根据召回物料预估CTR，排序，找到TopK物料返回
从原始物料库到最终呈现给用户的物料，在数量上表现为倒三角的关系
下面例子是一个比较成功的呈现
论文给了一个bad case例子，互联网长尾流量（普通用户比较少关注的物品）中，搜索白玫瑰（white house），由于奔驰与特斯拉是头部流量，那么天然具有很高的出现频率，query或者ad中有一个频率高,那么ctr模型也会认为这个query-ad pair的ctr很高，也就会导致召回质量差的物料，比如搜索白玫瑰，最终呈现奔驰。
所以存在这样一个情况：低相关性但是预估CTR高的ad投放出去了。
从经验上看，实际的CTR可能因为query-ad 不相关而表现不佳
最终返回的高CTR推荐物料
相
关
性
强
+
相
关
性
低
相关性强+相关性低
相关性强+相关性低
论文主要的思路是把相关性低的物料且高CTR的物料（也就是bad cases）筛选出来。
query-ad 的相关性，设置一个阈值，然后标记为**【bad cases】**（低相关性并且高ctr）, 需要提前采集的样本或者人工构造
模型最终是三分类模型，与传统二分类CTR模型不一样，可以用bad case先过滤掉一部分高ctr的内容
算法没有本质上实现多目标优化，是通过减少召回层与排序层的不匹配数量达到CTR ROI联合优化
ANN和MIPS提高 检索效率是工程技巧，与算法模型关联性不是很大。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK