通过标签校正实现延迟反馈建模的渐近无偏估计
机器学习
2022-02-16 v2
摘要
缓解延迟反馈问题对在线广告中的转化率（CVR）预测至关重要。先前延迟反馈建模方法使用观测窗口来平衡等待准确标签与消耗新鲜反馈之间的权衡。此外，为在带有伪负例的新鲜但偏倚观测分布上估计CVR，广泛采用重要性采样来降低分布偏倚。尽管有效，我们认为先前方法在重要性加权时错误地将伪负样本当作真实负样本，且未充分利用已观测正样本，导致次优性能。本工作中，我们提出一种新方法，即带无偏估计的延迟反馈建模（DEFUSE），旨在以更细粒度分别校正即时正例、伪负例、真实负例和延迟正例的重要性权重。具体地，我们提出一种两步优化方法，先推断观测负例中伪负例的概率，再应用重要性采样。为充分利用观测分布中的真实即时正例，我们进一步开发了双分布建模框架，联合建模无偏即时正例与有偏延迟转化。在公共及工业数据集上的实验结果验证了DEFUSE的优越性。代码见 https://github.com/ychen216/DEFUSE.git。
引用
@article{arxiv.2202.06472,
title = {Asymptotically Unbiased Estimation for Delayed Feedback Modeling via Label Correction},
author = {Yu Chen and Jiaqi Jin and Hui Zhao and Pengjie Wang and Guojun Liu and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2202.06472},
year = {2022}
}
备注
This paper has been accepted by WWW 2022