PDF

タスク

  • ソーシャルメディアにおけるin-feed広告の最適化
    • In-feed広告はFacebook, Twitter, WeChatなど様々なプラットフォームで使われている
    • In-feed広告の特徴は, シェアやコメントなどユーザーからの具体的な行動がある点
  • 広告があるユーザに表示された時に, ユーザがその広告に対して行動をするかどうかを予測する

既存手法

  • 広告の最適化手法は多数提案されている
    • 多くは友人からの影響を考慮しない
    • In-feed広告は, 普通の広告に比べて友人からの影響を受けやすい
  • SNSにおける友人の影響を推定する手法としてDeepInfが提案されている
    • 友人の特徴量や行動についての情報を考慮
    • それらの情報が十分ない場合は効果を発揮しない

提案手法

  • 広告の提示 \(\epsilon=(a, u)\)を対象ユーザ \(u\)と広告 \(a\)の組で定義
  • ユーザが行動 (いいね or コメント)したかどうかをバイナリ変数 \(y_\epsilon\)で表す
  • 以下の3つの潜在ベクトルを導入し, それらの回帰でユーザの行動 \(\hat{y}_\epsilon\)を予測
    • 各ユーザが友人からどの程度影響を受けるかを表すベクトル \({\bf x}_u^{(s)}\)
      • 予測対象のユーザの友人グラフを抽出し, GNNでエンコード
    • 各ユーザが友人からどのように影響を受けるかを表すベクトル \({\bf x}_u^{(d)}\)
      • 友人の行動をグラフアテンションでエンコード
    • 友人の影響以外の内的な要因を表すベクトル \({\bf x}_u^{(i)}\)
      • ユーザの属性, 広告の属性をエンコード

実験

  • In-feed広告データ, Weiboデータを使用
  • In-feed広告データ
    • WeChatの広告表示ログを収集
    • 内的な要因としてユーザの属性, 広告の属性 (カテゴリーなど)を使用
    • ログから1日分のデータを抽出したWechatDayと1週間分のデータを抽出した WechatWeekを用意
  • Weiboデータ
    • 投稿のシェア (リポスト)をユーザの行動として扱う
    • あるユーザが他のユーザの投稿をリポストした場合, ユーザ間にフォロー関係があるとみなす
  • 表2でユーザ行動の予測精度を比較
    • 3つのデータセット全てで提案手法が既存手法を上回る精度
    • 友人の影響を考慮することで精度が向上