面向点击后转化率估计的点击感知结构迁移与样本权重分配
信息检索
2023-09-18 v2
摘要
点击后转化率（CVR）预测任务在工业应用中起着至关重要的作用，例如推荐和广告。常规 CVR 方法通常受限于数据稀疏问题，因为它们仅依赖用户已点击的样本。为解决该问题，研究者引入了多任务学习方法，利用未点击样本并让点击率（CTR）任务与 CVR 任务共享特征表示。然而，应注意 CVR 与 CTR 任务本质不同甚至可能矛盾。因此，不加区分地引入大量 CTR 信息可能淹没与 CVR 相关的有价值信息。本文称此现象为知识诅咒问题。为应对该问题，我们认为应在引入大量辅助信息与保护 CVR 相关信息之间取得权衡。故此，我们提出一种带样本权重分配的点击感知结构迁移模型，简称 CSTWA。它更关注潜在结构信息，可过滤与 CVR 相关的输入信息，而非直接共享特征表示。同时，为捕捉 CTR 与 CVR 间的表示冲突，我们校准表示层并重加权判别层，以从 CTR 塔中挖掘点击偏置信息。此外，它引入偏向 CVR 建模的样本权重分配算法，使来自 CTR 的知识不会误导 CVR。在工业和公开数据集上的大量实验表明，CSTWA 显著优于广泛使用的且具有竞争力的模型。
引用
@article{arxiv.2304.01169,
title = {Click-aware Structure Transfer with Sample Weight Assignment for Post-Click Conversion Rate Estimation},
author = {Kai Ouyang and Wenhao Zheng and Chen Tang and Xuanji Xiao and Hai-Tao Zheng},
journal= {arXiv preprint arXiv:2304.01169},
year = {2023}
}