用于转化率预测的对比学习
信息检索
2023-07-13 v1 机器学习
摘要
转化率（CVR）预测在广告系统中起着重要作用。近来，基于监督深度神经网络的模型在 CVR 预测中展现出有前景的性能。然而，它们渴求数据，需要海量训练数据。在线广告系统中，尽管有数百万至数十亿条广告，用户往往只点击其中很小一部分，并在更小一部分上发生转化。这种数据稀疏问题限制了这些深度模型的威力。本文提出用于 CVR 预测的对比学习（CL4CVR）框架。它将监督 CVR 预测任务与对比学习任务相关联，后者可利用丰富的无标签数据学习更好的数据表示并提升 CVR 预测性能。为使对比学习任务适配 CVR 预测问题，我们提出嵌入掩码（EM）而非特征掩码来创建两个增强样本视图。我们还提出假负例消除（FNE）组件，以消除与锚样本具有相同特征的样本，以考虑用户行为数据中的自然属性。我们进一步提出监督正例包含（SPI）组件，为每个锚样本包含额外的正例，以充分利用稀疏但宝贵的用户转化事件。在两个真实世界转化数据集上的实验结果证明了 CL4CVR 的优越性能。源代码见 https://github.com/DongRuiHust/CL4CVR。
引用
@article{arxiv.2307.05974,
title = {Contrastive Learning for Conversion Rate Prediction},
author = {Wentao Ouyang and Rui Dong and Xiuwu Zhang and Chaofeng Guo and Jinmei Luo and Xiangzheng Liu and Yanlong Du},
journal= {arXiv preprint arXiv:2307.05974},
year = {2023}
}
备注
SIGIR 2023