Enviar pesquisa
Carregar
Transfer learning@r语言大会2.0 发布版
•
Transferir como PPTX, PDF
•
3 gostaram
•
2,693 visualizações
X
xiaoerxiaoer
Seguir
transfer learning application in ctr prediction
Leia menos
Leia mais
Dados e análise
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 15
Baixar agora
Recomendados
Ee 想说爱你不容易
Ee 想说爱你不容易
xiaoerxiaoer
大学与工作
大学与工作
xiaoerxiaoer
From gradient decent to CDN
From gradient decent to CDN
xiaoerxiaoer
【MMdc 分享】關鍵字廣告及分析工具-基礎篇
【MMdc 分享】關鍵字廣告及分析工具-基礎篇
關鍵數位行銷股份有限公司 Minmax Digital Consulting
【MMdc 分享】(11月課程) 搜尋廣告最佳化 (Paid Search Optimization)
【MMdc 分享】(11月課程) 搜尋廣告最佳化 (Paid Search Optimization)
關鍵數位行銷股份有限公司 Minmax Digital Consulting
网商成功之道周刊(第28期) 本期编者的话: 《网商成功之道周刊》的 ...
网商成功之道周刊(第28期) 本期编者的话: 《网商成功之道周刊》的 ...
sugeladi
Basic
Basic
Evan Fan
数据监测体系
数据监测体系
yixieshi
Recomendados
Ee 想说爱你不容易
Ee 想说爱你不容易
xiaoerxiaoer
大学与工作
大学与工作
xiaoerxiaoer
From gradient decent to CDN
From gradient decent to CDN
xiaoerxiaoer
【MMdc 分享】關鍵字廣告及分析工具-基礎篇
【MMdc 分享】關鍵字廣告及分析工具-基礎篇
關鍵數位行銷股份有限公司 Minmax Digital Consulting
【MMdc 分享】(11月課程) 搜尋廣告最佳化 (Paid Search Optimization)
【MMdc 分享】(11月課程) 搜尋廣告最佳化 (Paid Search Optimization)
關鍵數位行銷股份有限公司 Minmax Digital Consulting
网商成功之道周刊(第28期) 本期编者的话: 《网商成功之道周刊》的 ...
网商成功之道周刊(第28期) 本期编者的话: 《网商成功之道周刊》的 ...
sugeladi
Basic
Basic
Evan Fan
数据监测体系
数据监测体系
yixieshi
數據化營銷的必備觀念 第二節
數據化營銷的必備觀念 第二節
煜庭 邱
商业产品体系介绍 By offer5.com
商业产品体系介绍 By offer5.com
suilingbo
商业产品体系介绍 By offer5.com
商业产品体系介绍 By offer5.com
suilingbo
数据监测体系 章明
数据监测体系 章明
yixieshi
Google Engage夥伴計劃-廣告帳戶專題分享與建立mcc我的客戶中心
Google Engage夥伴計劃-廣告帳戶專題分享與建立mcc我的客戶中心
Souyi Yang
product ads简介
product ads简介
Amanda (Wei) Shen
【Google × ur ad】解密數據,決定優化策略
【Google × ur ad】解密數據,決定優化策略
AdWordsGreaterChina
香港六合彩
香港六合彩
shujia
Yahoo! 奇摩關鍵字廣告聯播網
Yahoo! 奇摩關鍵字廣告聯播網
Joseph Chiang
Google關鍵字致勝行銷
Google關鍵字致勝行銷
Google Account
2012 proposal for CNA 中央社 (CN)
2012 proposal for CNA 中央社 (CN)
Sun.Lee
杨炯纬 如何提升市场的投资回报率
杨炯纬 如何提升市场的投资回报率
chaojiwangpu
江苏钱旺网络科技有限公司 -餐饮企业消费返现解决方案
江苏钱旺网络科技有限公司 -餐饮企业消费返现解决方案
zzgloves
如何從搏來客行銷(Inbound marketing) 進化到成長駭客行銷(growth hacker marketing)?
如何從搏來客行銷(Inbound marketing) 進化到成長駭客行銷(growth hacker marketing)?
Taiwan Inbound Marketing Envangelist
20161208 sem關鍵字廣告專案的執行
20161208 sem關鍵字廣告專案的執行
煜庭 邱
行動廣告與大數據資料分析策略與執行
行動廣告與大數據資料分析策略與執行
Craig Chao
w5-Digital Marketing
w5-Digital Marketing
City University of Macau
Use Google adwords to help you
Use Google adwords to help you
Michael Li
網路廣告操作基礎 - 架構設計與優化邏輯
網路廣告操作基礎 - 架構設計與優化邏輯
Norika
宫鑫:服装B2 c行业广告投放分享
宫鑫:服装B2 c行业广告投放分享
Gong Xin
Mais conteúdo relacionado
Semelhante a Transfer learning@r语言大会2.0 发布版
數據化營銷的必備觀念 第二節
數據化營銷的必備觀念 第二節
煜庭 邱
商业产品体系介绍 By offer5.com
商业产品体系介绍 By offer5.com
suilingbo
商业产品体系介绍 By offer5.com
商业产品体系介绍 By offer5.com
suilingbo
数据监测体系 章明
数据监测体系 章明
yixieshi
Google Engage夥伴計劃-廣告帳戶專題分享與建立mcc我的客戶中心
Google Engage夥伴計劃-廣告帳戶專題分享與建立mcc我的客戶中心
Souyi Yang
product ads简介
product ads简介
Amanda (Wei) Shen
【Google × ur ad】解密數據,決定優化策略
【Google × ur ad】解密數據,決定優化策略
AdWordsGreaterChina
香港六合彩
香港六合彩
shujia
Yahoo! 奇摩關鍵字廣告聯播網
Yahoo! 奇摩關鍵字廣告聯播網
Joseph Chiang
Google關鍵字致勝行銷
Google關鍵字致勝行銷
Google Account
2012 proposal for CNA 中央社 (CN)
2012 proposal for CNA 中央社 (CN)
Sun.Lee
杨炯纬 如何提升市场的投资回报率
杨炯纬 如何提升市场的投资回报率
chaojiwangpu
江苏钱旺网络科技有限公司 -餐饮企业消费返现解决方案
江苏钱旺网络科技有限公司 -餐饮企业消费返现解决方案
zzgloves
如何從搏來客行銷(Inbound marketing) 進化到成長駭客行銷(growth hacker marketing)?
如何從搏來客行銷(Inbound marketing) 進化到成長駭客行銷(growth hacker marketing)?
Taiwan Inbound Marketing Envangelist
20161208 sem關鍵字廣告專案的執行
20161208 sem關鍵字廣告專案的執行
煜庭 邱
行動廣告與大數據資料分析策略與執行
行動廣告與大數據資料分析策略與執行
Craig Chao
w5-Digital Marketing
w5-Digital Marketing
City University of Macau
Use Google adwords to help you
Use Google adwords to help you
Michael Li
網路廣告操作基礎 - 架構設計與優化邏輯
網路廣告操作基礎 - 架構設計與優化邏輯
Norika
宫鑫:服装B2 c行业广告投放分享
宫鑫:服装B2 c行业广告投放分享
Gong Xin
Semelhante a Transfer learning@r语言大会2.0 发布版
(20)
數據化營銷的必備觀念 第二節
數據化營銷的必備觀念 第二節
商业产品体系介绍 By offer5.com
商业产品体系介绍 By offer5.com
商业产品体系介绍 By offer5.com
商业产品体系介绍 By offer5.com
数据监测体系 章明
数据监测体系 章明
Google Engage夥伴計劃-廣告帳戶專題分享與建立mcc我的客戶中心
Google Engage夥伴計劃-廣告帳戶專題分享與建立mcc我的客戶中心
product ads简介
product ads简介
【Google × ur ad】解密數據,決定優化策略
【Google × ur ad】解密數據,決定優化策略
香港六合彩
香港六合彩
Yahoo! 奇摩關鍵字廣告聯播網
Yahoo! 奇摩關鍵字廣告聯播網
Google關鍵字致勝行銷
Google關鍵字致勝行銷
2012 proposal for CNA 中央社 (CN)
2012 proposal for CNA 中央社 (CN)
杨炯纬 如何提升市场的投资回报率
杨炯纬 如何提升市场的投资回报率
江苏钱旺网络科技有限公司 -餐饮企业消费返现解决方案
江苏钱旺网络科技有限公司 -餐饮企业消费返现解决方案
如何從搏來客行銷(Inbound marketing) 進化到成長駭客行銷(growth hacker marketing)?
如何從搏來客行銷(Inbound marketing) 進化到成長駭客行銷(growth hacker marketing)?
20161208 sem關鍵字廣告專案的執行
20161208 sem關鍵字廣告專案的執行
行動廣告與大數據資料分析策略與執行
行動廣告與大數據資料分析策略與執行
w5-Digital Marketing
w5-Digital Marketing
Use Google adwords to help you
Use Google adwords to help you
網路廣告操作基礎 - 架構設計與優化邏輯
網路廣告操作基礎 - 架構設計與優化邏輯
宫鑫:服装B2 c行业广告投放分享
宫鑫:服装B2 c行业广告投放分享
Transfer learning@r语言大会2.0 发布版
1.
Transfer learning在广告 点击率预估的应用 黄晶 微博:黄晶PKU 2015.6
2.
个人简介:jhuangpku.github.io library(wordcloud) wordcloud(blog$word, blog$freq, random.order=F,
color=pal)
3.
主要内容 业务问题 解决方案 学术界方案 Data-level
transfer Parameter-level transfer 应用效果&Future Work 广告时间----WE ARE HIRING
4.
什么是在线广告 广告A 出价5元 规则 广告主对关键词出价bid 点击一次收费bid(实际 GSP) 目标:收益最大化 有限位置怎么选择广告? Bid*广告点击率降序排列 核心问题:点击率怎么估计 点击率:0 平均收益:0元 广告B 出价2元 广告C 出价1元 点击率:0.1 平均收益:0.2元 点击率:0.1 平均收益:0.1元
5.
怎么预估点击率 数据/样本 一个广告的一次展现 特征 ID类特征 泛化特征 统计特征 ….
模型 LR->GBDT->DNN
6.
怎么预估点击率-LR 数据集 1 0 0
… 1 0 0 … 0 1 0 … 0 0 0 … 0 0 0 … 0 1 0 … 0 0 1 … 1 0 1 0 0 0 0 Target y X1 X2 X3 X4 X5 X6 X7 0 0 0 … 1 0 0 … 1 0 0 … 0 1 0 … 0 0 0 … 0 1 0 … 0 0 1 … 。。 query 广告ID Y=1 Y=0 ||||),,(min 1 wCywXl m i iii 距离分界面越远,loss越小 ))),(1log()1(),(log(),,( wXhywXhyywXl iiiiiii )exp(1 1 ),( i ti Xw wXh )exp(1 1 )|1(P i ti Xw Xy 点击率学习目标:给定样本,y=1的概率 0 0 1 … ?Xn 0 0 1 …
7.
我们的问题-商业知心 广告 成 特点:同一套广告描述 VS 多种展现形式(不断有新展现形式)
8.
学术界方法 Instance-base Feature-base Parameter-base 借数据 借数据 借参数
9.
Data-Level Source Target Data-level 基本假设:S上的data经过合理 的变化,可以变成T上的data 核心&问题:data相似度的衡量 Ps(x,y) ->Pt(x,y) 代表方法:
Instance base Feature base x1 三维示例 x1 x2 问题:X2!=0的由于数据少,未观测到 x1 x2 真实T分布 x1 x2 相似变换 x2 w降低 W增加 观测S分布 观测T分布 调整后S分布
10.
Data-Level Source Target Data-level 基本假设:S上的data经过合理 的变化,可以变成T上的data 核心&问题:data相似度的衡量 Ps(x,y) ->Pt(x,y) 代表方法:
Instance base Feature base 现实是 噪音! 噪音!! 噪音!!!
11.
Parameter-Level Parameter-level 基本假设:S上的权重和T上的权 值有”相似性” 核心&问题:权值相似度的衡量 该度量方法表现为一个约束 代表方法: parameter base W1 W2 W3
W3’ W4 W4’ W5 W5’ Common source target ||||)()( 2 1 )()( ''' wwCwwLwwLwwwLwf SSTSS T SS target上的拟合 正则 新权值在Source的数据上的loss近似模拟 另一种观点:bayes LR 提供的是先验 :source上的权重 :target上的权重 Sw wwS Sw
12.
Parameter revisited Parameter-level W1 W2 W3 W3’ W4
W4’ W5 W5’ Common source target 近似实现common-part和individual-part的方法: Step1:在source上的训练只训练“可迁移”的特征—common-part Step2:在target上把所有特征带进去训练 效果:common-part变动较少,individual-part变动较多 Common-part的业务含义,不同query在不同卡片的weight近似一致 ||||)()( 2 1 )()( ''' wwCwwLwwLwwwLwf SSTSS T SS
13.
应用效果&Future Work 应用效果
Future Work 数据:Source,target的选择 特征:可迁移特征的选择(单slot在S上训练T上校验) 模型:multi-task / GBDT增量 项目 线下auc 线上ctr 医疗知心中间页找医院TL模型 +0.8% 2.08% 教育知心无线找课程TL模型 +5%+ 7.52%
14.
15.
bdl_job@baidu.com
Baixar agora