视觉信息助力广告点击率预估--京东广告团队技术论文入围KDD2020

图六、Amazon Benckmark数据集上的AUC比较。我们的算法显著优于State-of-the-Art。得益于图像信息和商品类目信息的加入和有效早融合

图七、Amazon Benckmark数据集上的AUC比较。不同的Attention机制中，都可以通过加入CSCNN模块获得一致提升。证明了CSCNN的优秀适应性。

图八、Amazon Benckmark数据集上的AUC比较。网络Backbone结构，都可以通过加入CSCNN模块获得一致提升。证明了CSCNN的优秀适应性

图九、工业数据集 & Online A/B Test。CSCNN贡献了线下AUC和线上CTR的显著提升。

五、结论：

我们提出了一种基于给定类目信息的卷积神经网络。通过CNN图像特征提取与商品类目信息的早融合网络结构，有效的强调了既重要、又直接跟特定类目相关的视觉特征。从而显著提升CTR预估的准确性。匹配高效的基础架构，CSCNN现在被应用到京东搜索广告系统的主流量中，服务于数亿活跃用户。

（编辑：衡阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!