MACHINE LEARNING PREDICTION OF USER RESPONSES TO RECOMMENDATIONS SELECTED WITHOUT CONTEXTUAL RELEVANCE

A method implemented at a computer system includes, responsive to identifying an opportunity to present content to a target user, accessing a machine learning model trained on a dataset containing input features of a plurality of users and labels indicating openness metrics of the respective plurality of users. The machine learning model is then applied to a set of features of the target user to output an openness metric that predicts a loss in the target user's response rate when contextual relevance is not considered in selection of recommendation for the target user. A recommendation is then selected from a plurality of candidate recommendations based on the openness metric and sent for display to the target user. L'invention concerne un procédé mis en œuvre au niveau d'un système informatique qui comprend, en réponse à l'identification d'une opportunité de présenter un contenu à un utilisateur cible, l'accès à un modèle d'apprentissage machine entraîné sur un ensemble de données contenant des caractéristiques d'entrée d'une pluralité d'utilisateurs et d'étiquettes indiquant des métriques d'ouverture de la pluralité respective d'utilisateurs. Le modèle d'apprentissage machine est ensuite appliqué à un ensemble de caractéristiques de l'utilisateur cible pour délivrer une métrique d'ouverture qui prédit une perte dans le taux de réponse de l'utilisateur cible lorsqu'une pertinence contextuelle n'est pas prise en compte dans la sélection de recommandations pour l'utilisateur cible. Une recommandation est ensuite sélectionnée parmi une pluralité de recommandations candidates sur la base de la métrique d'ouverture et envoyée pour être affichée à l'utilisateur cible.