关于机器学习:KDD-2021｜美团联合多高校提出多任务学习模型已应用于联名卡获客场景

1次阅读

共计 2728 个字符，预计需要花费 7 分钟才能阅读完成。

很多利用通常都须要用定向展现广告来进行获客，对信用卡广告来说，因为用户转化存在较长的链路，继续无效的获客比传统广告更具挑战性。本文联合美团联名信用卡业务中的具体实际，以及往年发表在 KDD 2021 上的论文，介绍了一种自适应信息迁徙多任务（AITM）框架，通过该框架可建模用户多步转化之间的序列依赖关系，并进步端到端获客转化率。心愿能对从事相干钻研的同学有所帮忙或者启发。

论文下载：《Modeling the Sequential Dependence among Audience Multi-step Conversions with Multi-task Learning in Targeted Display Advertising》

源代码：https://github.com/xidongbo/AITM

美团金融智能利用团队算法岗位继续热招中，诚招优良算法工程师及专家，坐标北京 / 上海。招聘岗位包含：

营销算法工程师 / 专家

服务美团金融各业务场景，负责营销获客、留存促活等场景的算法设计与开发，综合机器学习与优化技术，解决金融营销问题；
积淀算法平台能力，晋升算法利用的效率，提供客群开掘、权利调配、素材匹配、动静创意、运筹布局、精准触达等智能解决方案；
联合美团金融业务场景，对深度学习、强化学习、常识图谱等人工智能前沿技术摸索翻新，施行翻新技术积淀和落地。

风控算法工程师 / 专家

通过机器学习模型与策略的开发优化，继续晋升对于金融风险行为的辨认能力；
深刻了解业务，利用机器学习技术进步风控工作的自动化水平，全面晋升业务效率；
跟进人工智能的前沿技术，并在金融风控场景中摸索落地。

NLP 算法工程师 / 专家

基于美团金融业务场景，联合自然语言解决和机器学习相干技术，落地智能对话机器人到金融营销、风险管理、客服等多个场景；
参加研发对话机器人的相干我的项目，包含但不限于语义了解、多轮对话治理等相干算法的开发和优化；
继续跟进学术界和工业界相干技术的倒退，并疾速利用于我的项目中。

欢送感兴趣的同学发送简历至：chenzhen06@meituan.com（邮件题目注明：美团金融智能利用团队）。

[1] Jiaqi Ma, Zhe Zhao, Xinyang Yi, Jilin Chen, Lichan Hong, and Ed H Chi. 2018. Modeling task relationships in multi-task learning with multi-gate mixture-of-experts. In KDD. 1930–1939.
[2] Zhen Qin, Yicheng Cheng, Zhe Zhao, Zhe Chen, Donald Metzler, and Jingzheng Qin. 2020. Multitask Mixture of Sequential Experts for User Activity Streams. In KDD. 3083–3091.
[3] Hongyan Tang, Junning Liu, Ming Zhao, and Xudong Gong. 2020. Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations. In RecSys. 269–278.
[4] Yixuan Li, Jason Yosinski, Jeff Clune, Hod Lipson, and John E Hopcroft. 2016. Convergent Learning: Do different neural networks learn the same representations? In ICLR.
[5] Matthew D Zeiler and Rob Fergus. 2014. Visualizing and understanding convolutional networks. In ECCV. 818–833.
[6] Eric Tzeng, Judy Hoffman, Ning Zhang, Kate Saenko, and Trevor Darrell. 2014. Deep domain confusion: Maximizing for domain invariance. arXiv preprint arXiv:1412.3474 (2014).
[7] Chen Gao, Xiangnan He, Dahua Gan, Xiangning Chen, Fuli Feng, Yong Li, Tat-Seng Chua, and Depeng Jin. 2019. Neural multi-task recommendation from multi-behavior data. In ICDE. 1554–1557.
[8] Chen Gao, Xiangnan He, Danhua Gan, Xiangning Chen, Fuli Feng, Yong Li, Tat-Seng Chua, Lina Yao, Yang Song, and Depeng Jin. 2019. Learning to Recommend with Multiple Cascading Behaviors. TKDE (2019).
[9] Xiao Ma, Liqin Zhao, Guan Huang, ZhiWang, Zelin Hu, Xiaoqiang Zhu, and Kun Gai. 2018. Entire space multi-task model: An effective approach for estimating post-click conversion rate. In SIGIR. 1137–1140.
[10] Hong Wen, Jing Zhang, Yuan Wang, Fuyu Lv, Wentian Bao, Quan Lin, and Keping Yang. 2020. Entire Space Multi-Task Modeling via Post-Click Behavior Decomposition for Conversion Rate Prediction. In SIGIR. 2377–2386.
[11] https://tianchi.aliyun.com/da…