用于去偏点击后转化率预测的广义双重稳健学习框架
机器学习
2022-11-15 v1
摘要
点击后转化率（CVR）预测在一系列工业应用中是发现用户兴趣和增加平台收入的重要任务。该任务最具挑战性的问题之一是由用户固有的自选择行为和系统的物品选择过程引起的严重选择偏差。目前，双重稳健（DR）学习方法在去偏 CVR 预测上取得了最先进性能。然而，在本文中，通过对 DR 方法的偏差、方差和泛化界进行理论分析，我们发现现有 DR 方法可能因倾向得分估计不准确和插补误差（在实践中经常出现）而导致泛化能力差。受此分析启发，我们提出了一种广义学习框架，它不仅统一了现有 DR 方法，还提供了开发一系列新去偏技术以适应不同应用场景的宝贵机会。基于该框架，我们提出了两种新的 DR 方法，即 DR-BIAS 和 DR-MSE。DR-BIAS 直接控制 DR 损失的偏差，而 DR-MSE 灵活平衡偏差与方差，取得了更好的泛化性能。此外，我们针对 CVR 预测中的 DR-MSE 提出了一种新颖的三层联合学习优化方法，以及相应的高效训练算法。我们在真实世界和半合成数据集上进行了广泛实验，验证了我们提出方法的有效性。
引用
@article{arxiv.2211.06684,
title = {A Generalized Doubly Robust Learning Framework for Debiasing Post-Click Conversion Rate Prediction},
author = {Quanyu Dai and Haoxuan Li and Peng Wu and Zhenhua Dong and Xiao-Hua Zhou and Rui Zhang and Rui zhang and Jie Sun},
journal= {arXiv preprint arXiv:2211.06684},
year = {2022}
}