ADSNet: 基于自适应孪生网络的广告跨域LTV预测
信息检索
2024-06-18 v1 人工智能
机器学习
摘要
广告平台已转向估算生命周期价值（LTV），以更好地契合广告主的真实绩效指标。然而，真实世界LTV数据的稀疏性给LTV预测模型（即pLTV）带来了巨大挑战，严重限制了其能力。因此，我们提出利用广告平台内部数据之外的外部数据，来扩大购买样本的规模并增强广告平台的LTV预测模型。为解决内部和外部平台之间的数据分布偏移问题，我们引入了一种自适应差异孪生网络（ADSNet），它采用跨域迁移学习来防止负迁移。具体来说，ADSNet旨在学习对目标领域有益的信息。我们引入了一种增益评估策略来计算信息增益，帮助模型学习对目标领域有用的信息，并具备拒绝噪声样本的能力，从而避免负迁移。此外，我们还设计了一个领域适配模块作为连接不同领域的桥梁，减少它们之间的分布距离，并增强表征空间分布的一致性。我们在一个真实的广告平台上进行了广泛的离线实验和在线A/B测试。我们提出的ADSNet方法优于其他方法，将GINI系数提升了2%。消融研究强调了增益评估策略在拒绝负增益样本和提升模型性能方面的重要性。此外，ADSNet显著改善了长尾预测。在线A/B测试证实了ADSNet的有效性，使在线LTV提升了3.47%，GMV提升了3.89%。
引用
@article{arxiv.2406.10517,
title = {ADSNet: Cross-Domain LTV Prediction with an Adaptive Siamese Network in Advertising},
author = {Ruize Wang and Hui Xu and Ying Cheng and Qi He and Xing Zhou and Rui Feng and Wei Xu and Lei Huang and Jie Jiang},
journal= {arXiv preprint arXiv:2406.10517},
year = {2024}
}
备注
Accepted to KDD 2024