背景
行動ターゲティング広告では似た嗜好をユーザをセグメンテーションし，セグメントごとに適した広告を提示したい．
じゃあどんなデータからやるのか，ってなると普通に考えてユーザiが広告jをクリックした回数を要素に持つ行列かユーザiがクエリjを入力した回数を要素に持つ行列
かのどっちかを使おうという話になる．
一番理想的なのはをそのまま使いたいが，そもそもユーザは広告なんかほとんどクリックしない．じゃあ代わりに
を使うかというとちょっと苦しいし，データの質とスパースさのトレードオフ．というのが行動ターゲティング広告研究の現場．
提案手法
Translated Learning*1と呼ばれる手法がある（らしい．今回はじめて知った）．これは source の feature に行列をかけて target の feature に変換してやるみたいなノリ．
今回はそれに似たアイデアを使う．具体的には変換行列を考えて
とかやって新たな特徴行列を得る．この時の
とし，また，
とする．なのでここにスパースなad click logのデータを突っ込んでやって，クエリログと組み合わせる．
これには
- 広告に関係無いクエリの影響を小さくできる
- 似たクエリを同じ広告にマッピングできる
という2つのメリットがある．また，これはオリジナルのTranslated Learningとは違うらしい．
結果
CTR向上
次はTranslated Learning読むか．
