近期,國際機器學習大會(ICML)、國際數據挖掘與知識發現大會(KDD)、國際計算機協會信息檢索大會(SIGIR)等機器學習、數據挖掘與信息檢索領域的國際頂級學術會議分別公布了論文錄用結果,騰訊廣告推薦團隊的4篇論文被接收,涵蓋神經網絡模型剪枝、人臉識別、智能廣告競價、廣告轉化率預測等研究方向,研究成果獲得國際權威認可。
騰訊廣告推薦團隊基于騰訊廣告多流量(微信、QQ、新聞、視頻、以及外部優量匯聯盟等),多行業(游戲,電商,教育,金融),多模態(圖片,視頻,短視頻)的復雜應用場景,構建業界領先廣告技術體系,驅動業務持續高速增長。團隊深耕廣告推薦模型與基礎架構:自研大規模高效在線模型訓練平臺,采用業界領先的多任務多域學習框架,優化廣告主全鏈路投放目標。團隊構建的大規模在線廣告推薦平臺,為廣告主提供從點擊率預測,淺層轉化預估到后鏈路轉化預估服務,是業界規模最大的廣告推薦平臺之一。
在多媒體AI方向,團隊聚焦騰訊廣告場景,在智能視頻創作、多模態內容理解、精準內容推薦等領域持續探索業界前沿。團隊在國際OCR權威比賽ICDAR連續三屆取得14項冠軍,同時在國際多媒體領域頂會ACM Multimedia2021舉辦騰訊廣告算法大賽。
本次騰訊廣告推薦團隊入選的4篇論文,分別是收錄到ICML的《LARNet:強化人臉識別的李代數殘差網絡》、《從三個維度加速卷積神經網絡:一個綜合性的剪枝框架》;收錄到KDD的《一種用于第一價格拍賣中競價遮蔽的高效深度分布網絡》;收錄到SIGIR的《追隨先知:面對延遲反饋場景的精確在線轉化率預測》。
此外,數據挖掘與知識工程領域的國際頂級雜志《TKDE》,也于近期收錄刊登了騰訊廣告推薦團隊的論文《無監督領域自適應的可轉移特征選擇方法》。
ICML是機器學習領域公認的國際頂級會議,ICML 2021官方公布的論文接收率為21.48%,其論文含金量正在逐年提高。這次入選ICML的《LARNet:強化人臉識別的李代數殘差網絡》論文,使用李代數探索旋轉對人臉特征生成的影響,證明了圖像中旋轉等效于特征空間中可加殘差量;并設計由解碼旋轉的殘差子網和控制殘差貢獻的門控子網組成的李代數殘差網絡來強化人臉識別,在大量人臉數據集上都取得了領先。
SIGIR被普遍認為是人工智能領域智能信息檢索方向最權威的國際會議之一,SIGIR 2021共收到720篇長文和526篇短文投稿,錄用率分別約為21%和27%。入選的《追隨先知:面對延遲反饋場景的精確在線轉化率預測》,提出了一種“追隨先知”(FTP)算法,其核心思想是:假如我們預先知道每一次轉化行為具體的延遲時間,基于這些數據,我們可以訓練得到一個“先知”模型。實驗結果表明,本方法可以獲得比當前已知主流方法更好的效果。本文獲得了SIGIR 2021最佳短論文榮譽獎(BestShortPaperHonoraleMention)。
KDD是世界數據挖掘領域最高級別的學術會議,自 1995年以來,KDD已經連續舉辦了26屆。根據KDD 2021官方公布的消息,今年共有1541篇論文投稿,接收率為15.44%,相比去年16.9%的接收率有所下降。在《一種用于第一價格拍賣中競價遮蔽的高效深度分布網絡》論文中,騰訊引入了一種新的基于深度分布神經網絡的方法來進行競價遮蔽。在離線和在線的A/B測試中,該方法在surplus和eCPX等指標上都取得了比當前已知的主流方法更好的效果。
騰訊廣告推薦團隊長期以來致力于通過AI與數據挖掘技術,提升廣告服務能力,幫助廣告主獲得更高的廣告投放收益。截止當前,團隊成員在機器學習、計算機視覺、數據挖掘頂級會議和期刊上(如ICML、KDD、SIGIR、CVPR、TPAMI、IJCV)發表論文40余篇(2020-2021),在學術界工業界具有廣泛技術影響力。此次多篇論文入選國際頂會,再次展現了團隊在廣告推薦技術方面的優秀實力。未來,團隊也將繼續深化AI技術研究,打造更加卓越的廣告推薦平臺。
