用于点击后转化预测的整个空间多任务模型分析

工业推荐系统常需近似多个（通常紧密相关的）用户行为的概率。例如，预测用户是否会点击广告以及是否会随后购买所广告的产品。这些任务在概念上的相似性促进了多任务学习的使用：一类旨在从相关任务带来正归纳迁移的算法。在此，我们实证评估用于在线广告任务的神经网络多任务学习方法。具体地，我们考虑在大规模广告平台上使用相关点击事件（CTR）作为辅助任务，来近似移动应用广告的点击后转化事件（安装）（CVR）的概率。我们使用消融方法系统研究近期结合多任务学习与“整个空间建模”的方法，后者在所有日志记录样本上训练 CVR，而非学习给定点击下转化的条件似然。基于这些结果，我们表明若干不同方法在从数据丰富的 CTR 任务到 CVR 任务的正迁移水平上相似，并就该多任务设计选择如何解决影响 CVR 任务的两个主要问题——数据稀疏性与数据偏差——提供一些见解。我们的发现增添了日益增长的证据，表明标准多任务学习是对真实世界大规模应用中相关事件建模的合理方法，并建议具体多任务方法可由现有系统中的实现难易度来指导。