鲁棒分解机提升用户响应预测的抗干扰能力

用户响应预测在计算广告领域扮演着关键角色，涉及发布者、广告商和用户的互动。随着互联网和移动设备的迅速发展，客户接触点增多，但高cookie流失率等问题导致广告商难以获取全面且准确的用户活动信息。传统的用户响应预测模型，如分解机（FMs），假设数据绝对精确，然而现实中用户的多个在线行为可能由不同的身份标识构成，这就引发了数据不确定性和区间的不确定性。 为了解决这个问题，本研究提出了一种创新的方法——鲁棒分解机（RFM），它采用鲁棒优化（RO）的框架来处理数据不确定性。鲁棒分解机的设计旨在对扰动具有免疫力，能够在存在噪声的情况下依然保持预测的准确性。为了进一步提升性能，研究者还开发了领域感知鲁棒分解机（RFFM），这是一种区域敏感的版本，能够更好地适应不同领域的数据特性。 鲁棒分解机算法的实现基于并行随机梯度下降，利用Spark框架提供了分布式和可扩展的解决方案，这使得模型能在大规模数据集上高效运行。通过在三个真实世界的广告数据集上进行实验，结果显示鲁棒分解机在面对扰动设置时明显优于基础模型，揭示了不确定性集的选择与模型抗噪声能力之间的密切关系。 本文的主要贡献包括提出鲁棒优化的用户响应预测模型，以及开发出鲁棒分解机和领域感知鲁棒分解机的算法。研究成果对于广告行业的实践者来说，意味着在数据不完整或存在噪声的情况下，可以更有效地预测用户响应，提升广告投放的精准度和效果。 关键词：分解机，领域感知分解机，鲁棒优化，计算广告，响应预测，区间不确定性。该研究的工作发表于2018年的WWW网络会议，强调了在复杂广告环境下，确保模型稳健性和预测效能的重要性。 鲁棒分解机的研究对于理解和改进用户响应预测的鲁棒性具有重要意义，它挑战了传统假设，引入了新的理论工具和实践策略，有望推动计算广告领域的进一步发展。