引导推荐系统：基于信息感知的自动竞价内容推广方法

《Proceedings of the ACM on Measurement and Analysis of Computing Systems》：Guiding the Recommender: Information-Aware Auto-Bidding for Content Promotion

现代内容平台通过竞价机制付费推广解决冷启动问题，但可能损害高质量内容。研究提出双目标优化框架平衡短期收益与长期模型性能，引入可分解近似目标、梯度覆盖与信息熵理论连接，设计两阶段自动竞价算法动态分配预算，并针对无标签场景提出置信阈值梯度估计方法。理论证明复合目标单调亚模态性、在线拍卖次线性 regret 与预算可行性。离线实验验证其优于基线，在合成和真实数据集上实现AUC/LogLoss提升，预算偏差小且零阶梯度近似有效。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

现代内容平台通过拍卖分配曝光量来提供付费推广，以缓解内容冷启动问题。我们的实证分析揭示了这一模式中的一个反直觉缺陷：虽然推广有助于提升低至中等质量的内容，但它可能会通过将高质量内容展示给不合适的受众群体而对其造成损害，从而污染用户参与度数据并降低未来的推荐效果。我们将内容推广视为一个双重目标优化问题，即在短期内获取价值与长期提升模型质量之间取得平衡。为了在出价时实现这一目标，我们引入了一个可分解的替代目标函数——梯度覆盖度，并建立了该函数与费希尔信息量（Fisher Information）和最优实验设计之间的理论联系。我们设计了一种基于拉格朗日对偶性的两阶段自动出价算法，该算法通过影子价格动态分配预算，并利用每次展示的边际效用来优化出价。为了解决出价时标签缺失的问题，我们提出了一种基于置信度的梯度启发式方法，并为黑盒模型提供了一种零阶近似方法，以实时可靠地估计学习信号。我们提供了理论保证，证明了复合目标的单调次模性、在线拍卖中的次线性遗憾值以及预算的可行性。在合成数据集和真实世界数据集上的广泛离线实验验证了该框架的有效性：该框架的表现优于基准方法，能够获得更优的最终AUC/LogLoss值，紧密遵循预算目标，并且在梯度近似为零阶的情况下依然有效。这些结果表明，具有策略性和信息意识的推广方式能够提升模型的长期性能和自然用户生成结果，超越了简单的点击量最大化策略。

AI摘要

AI生成的摘要（实验结果）

本摘要是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现内容的相关性，协助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，作者提供的摘要仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。