1-4联邦学习在腾讯微视广告投放中的实践.pdfVIP

下载本文档

9
0
约1.13万字
约 31页
2023-06-06 发布于广东
举报
版权申诉

1-4联邦学习在腾讯微视广告投放中的实践.pdf

1、本文档共31页，可阅读全部内容。
2、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

2021 | DataFunSummit 联邦学习在腾讯微视广告投放中的实践分享人宋凯博士公司腾讯-pcg-在线视频BU-流量生态部-增长中心时间 2021-06-26 0 序幕：业务技术背景 Ø 项目业务背景： • 用户增长、成本控制等 • 方式：广告投放 Ø 拉新的困难： • 端内用户侧特征极端稀疏 • 广告平台积累有大量信息，但仅oPCX有限的标准化数据回传 Ø 拉活的潜力： • 与广告平台特征有互补性 • 用户行为序列（视频浏览历史等）等宝贵画像数据，无法与广告平台共享希望微视侧能与广告平台侧协同利用双方数据，实现收益共赢，但数据不出域。 Ø 技术路线：联邦学习联邦学习为多方安全合作提供了一种解决方案。 2 目录 1 联邦学习 CONTENTS 2 腾讯联邦学习平台PowerFL 3 微视广告投放整体业务 4 广告投放联邦学习架构 5 建模实践和细节介绍 3 1 联邦学习（FL ） Ø FL背景：AI data-driven 2016 ，google的文章被认为是FL的开端：安卓手机终端在本地更新模型。随即，我国微众银行、腾讯等公司做了许多开创性工作。 Ø 定义：在进行机器学习的过程中，各参与方可借助其他方数据进行联合建模。各方无需直接触达他方数据资源，即数据不出本地的情况下，安全进行数据联合训练，建立共享的机器学习模型。 2016 ，google, Federated optimization: distributed machine learning for on-device intelligence 4 1 联邦学习（FL ） Ø FL两种架构 Ø 中心化联邦架构 Ø 可信赖第三方（中央服务器）负责加密策略、模型分发、梯度聚合 Ø 去中心化联邦架构 Ø 没有中央服务器，参与多方对等计算 Ø 需要更多的加解密和参数传输操作（n方参与时，2(n-1)次传输）广告主广告平台 1 广告平台 2 广告平台 n-1 2016 ，google, Federated optimization: distributed machine learning for on-device intelligence 5 1 联邦学习（FL ） Ø 基本分类 Ø 横向联邦学习：样本的联合，适用于特征重叠多，用户重叠少时的场景。 Ø 纵向联邦学习：特征的联合，适用于用户重叠多，特征重叠少的场景。 Ø 联邦迁移学习：参与者间特征和样本重叠都很少时可以考虑使用。三种联邦学习交互的信息有异，受到的困扰也不同。纵向联邦学习已在我们业务落地。 6 2019 ，Webank ，Federated Machine Learning Concept and Applications 1 联