美团技术团队
·
上下文感知的聚合页广告优化实践
💡
原文中文，约4800字，阅读约需12分钟。
📝
内容提要
本文探讨了上下文感知建模在聚合页广告中的应用，提出了全链路Uplift建模方法（ECUP）和邻域列表重排方法（NLGR），显著提升了广告效果，展示了聚合页的收益潜力。未来将继续优化算法，探索更高效的建模方法。
🎯
关键要点
- 聚合页广告是美团广告业务中的重要场景，通过多种发券模式吸引用户下单。
- 上下文感知建模是实现精准个性化匹配的重要途径，主要关注“发券”和“排序”两个方向。
- 提出了全链路Uplift建模方法（ECUP），旨在提升Uplift建模的准确性。
- ECUP模型解决了链路偏差和Treatment不适应问题，通过全链路增强网络和Treatment增强网络实现。
- 在为期两个月的优惠券营销场景中，ECUP模型取得了显著的收益。
- 提出了邻域列表重排方法（NLGR），旨在提高生成器在组合空间中的生成效果。
- NLGR改进了生成器的训练方式和生成方式，增强生成器的训练过程。
- 在公开数据集和美团数据集上进行实验，验证了NLGR的有效性。
- 未来将继续优化算法，探索更高效的建模方法，特别是在发券和排序方面。
❓
延伸问答
聚合页广告的主要功能是什么？
聚合页广告将商家和优惠信息以多种形式聚合展示给用户，吸引用户下单。
什么是全链路Uplift建模方法（ECUP）？
ECUP是一种上下文增强的全链路Uplift建模方法，旨在提升Uplift建模的准确性，解决链路偏差和Treatment不适应问题。
ECUP模型如何解决链路偏差问题？
ECUP模型通过构建全链路增强网络和任务增强网络，精准捕捉Treatment对不同任务的影响，从而解决链路偏差问题。
邻域列表重排方法（NLGR）有什么创新之处？
NLGR通过利用组合空间中的邻居列表增强生成器的训练过程，改进了生成器的训练方式和生成方式。
在聚合页广告中，如何评估Uplift模型的效果？
通过AUUC和QINI等指标来衡量Uplift模型的效果，并进行A/B实验验证其商业收益。
未来聚合页广告的优化方向是什么？
未来将继续优化算法，探索更高效的建模方法，特别是在发券和排序方面，结合LLM与全链路上下文。
➡️
