论文部分内容阅读
现如今,越来越多的人们已经习惯在电子商务平台上进行购物,例如亚马逊、易贝、淘宝和京东等等。在这些平台中,赞助搜索(Sponsored Search,SS)是用来增加网上商家营业收入的一种标准机制,这对于电商平台来说也是非常有益的一种机制。赞助搜索也就是基于搜索的关键词广告,相对于传统广告,赞助搜索具有目的性强、针对性强、见效快、成本低等优点,具有明显优势。对于赞助搜索来说,大部分先前的研究都集中在竞价优化和点击率(Click-Through Rate,CTR)预估(在一般的搜索引擎中)。本篇论文想要研究一个在电子商务平台背景下关于赞助搜索的新颖问题:如何对广告内容进行智能优化,即通过展现给用户这些广告商品的各种特点来吸引他们点击这些广告商品。这不仅有利于商家和电商平台,还能提高用户的购物体验。这个问题是非常具有挑战性的,具体原因归纳如下:(1)需要很小心的处理广告商品的展示内容来吸引用户,同时不会影响用户的搜索体验以及商家的日常营业收入;(2)想要获得用户对广告商品特征偏好的显式反馈信息是相对比较困难的;(3)随着手机移动端网络的不断飞速发展,电子商务平台上很大一部分比例的用户搜索流量都来自于手机应用软件。例如在淘宝,90%的用户搜索流量都来自于手机淘宝端app。由于手机移动端较小屏幕空间的限制,商品的展示环境会比PC端更加恶劣。本文研究内容主要集中在手机移动端设置,提出对广告内容进行智能优化,通过在广告商品的标题中添加少量卖点关键词(Selling Points Keywords,SPs)的方式来吸引当前查询用户。本文将其作为一个个性化有吸引力的SPs预测问题来建模,主要的工作与贡献包括:(1)探索研究了多种SPs的展示形式,并且分析了它们的有效性;(2)提出了一种用户对SPs偏好显式反馈的替代品,可以明确反映用户对词语的偏好,并且进一步的拓展成多任务学习模型。该多任务学习模型利用CTR预估任务作为辅助任务来增强SPs的预测效果;(3)对于本文的多任务学习模型,设计离线实验探索了关于用户和查询词的额外特征的有效性以及用户在多个任务下不同点击量数据对模型产生的影响。本文在淘宝网同时进行了大规模的离线实验和在线A/B测试,利用手机淘宝应用中丰富的用户点击日志数据分别在多个模型上进行实验对比,说明了本文提出的多任务学习模型的有效性与优越性。需要指出的是,本文最好模型的变种已经部署在手机淘宝a,带来了2%的RPM的相对提升以及低于4%的商家关闭率。