關于WSDM

WSDM（The International Conference on Web Search and Data Mining）是信息檢索與數據挖掘領域的國際頂級會議，由 SIGIR、SIGKDD、SIGMOD 和 SIGWEB 四個專委會協調籌辦，在互聯網搜索、數據挖掘領域享有較高學術聲譽。今年將于2022年2月21日-2月25日在美國召開。

近日，WSDM 2022 論文接收結果公布，本次會議共收到來自 786 篇長文投稿，僅有 159 篇長文被錄用，錄用率約20.23%。

阿里媽媽論文概述

阿里媽媽技術團隊有 4 篇論文被接收，我們將陸續邀請論文作者為大家詳細解析論文思路和技術成果，歡迎關注！

???Leaving No One Behind: A Multi-Scenario Multi-Task Meta Learning Approach for Advertiser Modeling

基于元學習概念的多任務多場景廣告主建模

摘要： 廣告主在許多電商平臺中都發揮著重要的作用，比如淘寶、亞馬遜等。滿足廣告主的營銷需求并促進廣告主店鋪的發展對于電商平臺的長期繁榮至關重要。然而，學術界目前的研究側重于用戶側建模（如ctr預估），對于廣告主建模的研究（不同廣告主的需求和投放效果）的關注較少。和用戶側建模方式不同，廣告主建模涉及了多種任務，比如廣告主的消耗、日活、廣告主店鋪內的點擊等。此外，一些大的電商平臺往往會為廣告主提供多種營銷場景，比如搜索場景、展示場景、直播場景等，廣告主的營銷行為往往會分散在這些場景。為了更好的對廣告主建模，我們需要將多種任務和多種場景同時考慮進來，這種建模方式有如下挑戰：第一，對每個場景/任務分別建模，在工業界的應用角度來說維護成本過高；第二，在小場景或者新場景下數據較少，模型效果會很差；第三，不同場景之間有著復雜的關聯關系，場景的關聯關系甚至會隨著任務的不同而發生變化。為了應對這些挑戰，我們提出了M2M，一種基于元學習概念的多任務多場景建模方法，可以同時預測多個場景中的多個任務。在M2M模型中，我們設計了元學習單元來顯式建模場景關聯。進一步的，我們將設計的元學習單元和多任務架構結合，在底層的attention結構中加入元學習單元捕捉不同任務下的動態場景關聯，在上層的塔網絡結構中加入元學習單元強化特定場景的表征。我們通過阿里媽媽的工業數據集離線驗證了M2M的有效性，并在加速寶業務上進行了AB 實驗，多個業務指標（如日活與arpu）均有顯著提升。目前該模型已在阿里媽媽全量部署，服務于多個廣告主相關的業務。

???CAN: Feature Co-Action Network for Click-Through Rate Prediction

CAN：一種高效靈活特征交互的點擊率預估模型

摘要：?特征交互對點擊率（CTR）預估任務而言至關重要。深度神經網絡（DNN）可以從原始稀疏特征中自動學習特征間的隱式非線性交互，因此被廣泛應用于CTR預估。然而，此類隱式特征交互并不能充分捕捉原始特征間的關聯信息。以Factorization Machine (FM)及其變體為例，將特征A和特征B的笛卡爾積這類顯式特征交互表示作為額外特征加入模型后，往往能夠獲得更優的效果。不過，顯式特征交互(如笛卡爾積)引入了巨量額外參數，極大地增加了模型復雜度，導致了需要大量樣本來學習模型。在本文中，我們提出了Feature Co-Action Network (CAN)，該模型可以以極低的代價逼近顯式特征交互建模。在CAN中，給定特征A及其相關特征B，它們的特征交互由特征協同單元(Co-Action Unit)通過學習兩組參數來模擬：1）特征A的高維度向量表征（Embedding），2）與特征B對應的多層感知器(MLP)。最終，二者的特征交互可以通過Embedding與MLP 的計算獲得，Co-Action Unit擁有的對復雜特征交互的強大擬合能力能夠逼近顯式特征交互的效果。值得一提的是，FM可以視為CAN在MLP的層數為1時的一個特例。在工業數據集和常用公開數據集上的實驗研究結果表明，CAN的效果優于當前最先進的CTR模型。CAN已成功在阿里巴巴的展示廣告系統中部署上線，在CTR和RPM等關鍵指標上分別取得了12%與8%的提升，為平臺帶來了巨大的收益。

???An Adaptive Unified Allocation Framework for Guaranteed Display Advertising

一種合約展示廣告自適應分配統一框架

摘要： 合約保量廣告（Guaranteed Display, GD）被廣泛應用于電商營銷中，為廣告主提供合同約定的目標人群展示次數。除了最大化合約完成率這個主要目標外，用戶興趣（如點擊率和轉化率）對于提高廣告主和電商平臺的長期投資回報也至關重要。在本文中，我們設計了一個合約廣告自適應統一分配框架（Adaptive Unified Allocation Framework, AUAF），不僅考慮了請求級別的廣告展示量，而且避免了展示次數的過度分配。具體來說，我們的分配模型同時優化合約完成率和廣告與用戶興趣之間的匹配程度，并具有顯式約束，以防止不必要的過度分配。面對每天服務十億級廣告請求的挑戰，還開發了一種基于PS的并行優化算法，使所提出的分配模型能夠在幾分鐘內得到有效訓練和增量更新。因此，離線訓練和在線決策可以同步進行實時服務。也就是說，我們的方法可以實現在線決策與離線最優分配解決方案一致的自適應調整。通過廣泛的實驗結果表明，我們提出的 AUAF 框架可以提高合約廣告完成率和平均點擊率 (本文中用點擊率來衡量用戶對廣告的興趣）。與現有的其他方法相比，我們的方法對CTR 的改進在統計上是顯著的。此外，自2020年3月起，AUAF已經部署在阿里巴巴的品牌合約展示廣告系統中，在不損失合約完成率的情況下帶來了10%以上的點擊率提升，為業務創造了顯著的價值。

???A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in Online Advertising

一種用于在線廣告自動競價的協作競爭多智能體框架

論文下載：https://arxiv.org/pdf/2106.06224.pdf

摘要： 在在線廣告中，自動競價已經成為廣告主優化自身廣告性能的必需工具，自動競價允許廣告主通過簡單地設置計劃目標以及相應約束來優化其關心的廣告性能指標。之前的工作大多從單智能體的角度考慮自動競價問題，而沒有建模智能體之間的相互影響。本文從分布式多智能體系統的角度研究自動競價智能體的設計問題，并提出了一個通用的多智能體自動競價框架，稱為MAAB（Multi-Agent Auto-bidding)，用以學習自動競價策略。首先，我們研究自動競價智能體之間的競爭與合作關系，并提出了一種基于溫度調控的獎勵分配機制來建立自動競價智能體之間的混合協作競爭關系。通過調節競價智能體之間的協作與競爭，從而達到了一種能夠同時保證廣告主自身效用和社會福利最大化的均衡狀態。其次，我們觀察到協作關系會引導智能體走向共謀出低價的行為模式，從而損害平臺的收入。為了解決這個問題，我們引入了門檻智能體來為每一個自動競價智能體設置一個個性化的競價門檻，進而降低平臺收入的減少。第三，為了將MAAB部署到擁有數百萬廣告主的大型廣告系統中，我們提出了一種基于平均場方法。通過將目標相同的廣告主分組為一個均值自動競價智能體，廣告主之間的復雜交互得以簡化，從而使MAAB得以高效訓練。在工業離線數據集以及阿里巴巴廣告平臺的實驗表明，本文的方法在社會福利以及平臺收入上能夠超越基準算法。

END

歡迎關注「阿里媽媽技術」

瘋狂暗示↓↓↓↓↓↓↓

總結

以上是生活随笔為你收集整理的阿里妈妈技术团队4篇论文入选WSDM 2022的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。