京东广告研发近期入选国际顶会文章系列导读——CIKM 2023篇
💡
原文中文，约10900字，阅读约需26分钟。
📝
内容提要
京东广告团队在广告推荐领域取得了长足发展，关注排序算法、多模态算法和深度学习方法，提高推荐系统准确性和可扩展性。研究了在线学习、增强学习和多种信息融合应用。关注推荐系统的可解释性和公平性问题，提出了增量学习框架、动态群体参数建模方法和双向交互式图卷积网络。提出了关系感知扩散模型和构建了海报布局数据集。
🎯
关键要点
- 京东广告团队在广告推荐领域取得了长足发展，关注排序算法、多模态算法和深度学习方法。
- 研究了在线学习、增强学习和多种信息融合应用，关注推荐系统的可解释性和公平性问题。
- 提出了增量学习框架、动态群体参数建模方法和双向交互式图卷积网络。
- 提出了关系感知扩散模型，并构建了海报布局数据集。
- 排序算法和多模态算法是推荐系统的关键组成部分，深度学习在排序算法中的应用迅速增加。
- 推荐系统越来越注重对用户行为序列的建模，使用RNN和LSTM等模型来理解用户的演变兴趣。
- 自监督学习方法在排序算法中广泛应用，降低了标记数据的依赖性，提高了模型的可扩展性。
- 排序算法采用在线学习和增强学习技术，实时调整推荐模型以适应用户行为的快速变化。
- 多模态数据的普及使得排序算法关注如何融合和利用多种类型的信息进行推荐。
- 京东广告业务在“更高效学习”、“更精细建模”、“更优交互能力”、“更美观智能”四个要点上取得突破。
- 提出了基于数据先验的增量学习框架，解决了在线推荐系统中的数据分布偏移问题。
- 动态群体参数建模方法实现自动的群体划分与群体参数学习，提高点击率预估的准确度。
- 双向交互式图卷积网络用于推荐系统，强调用户和商品之间的交互特征。
- 关系感知扩散模型用于海报布局生成，考虑视觉与文本内容之间的关系以及布局元素之间的关系。
- 构建了CGL-Dataset V2海报布局数据集，推动广告布局生成领域的研究。
➡️
