DCMT：一种用于点击后转化估计的直接全空间因果多任务框架
信息检索
2023-02-14 v1
摘要
在推荐场景中，存在两个长期挑战，即选择偏差与数据稀疏，导致点击率（CTR）与点击后转化率（CVR）任务的预测精度显著下降。为应对这些问题，现有工作强调利用多任务学习（MTL）框架（第一类）或因果去偏框架（第二类）来纳入全曝光/推断空间 D 中更多辅助数据，或去偏点击/训练空间 O 中的选择偏差。然而，这两类方案无法有效解决非随机缺失问题，也无法去偏 O 中的选择偏差以拟合 D 中的推断。为填补研究空白，本文提出一种直接全空间因果多任务框架，即 DCMT，用于点击后转化预测。具体而言，受用户转化决策过程启发，我们提出一种新的反事实机制以去偏 D 中的选择偏差，该机制可在反事实先验知识的软约束下预测事实 CVR 与反事实 CVR。大量实验表明，我们的 DCMT 在五个离线数据集上以 CVR AUC 计平均提升最优方法 1.07%，在在线 A/B 测试（支付宝搜索）上以 PV-CVR 计提升 0.75%。此类提升可在真实工业应用（如支付宝搜索）中每周增加数百万次转化。
引用
@article{arxiv.2302.06141,
title = {DCMT: A Direct Entire-Space Causal Multi-Task Framework for Post-Click Conversion Estimation},
author = {Feng Zhu and Mingjie Zhong and Xinxing Yang and Longfei Li and Lu Yu and Tiehua Zhang and Jun Zhou and Chaochao Chen and Fei Wu and Guanfeng Liu and Yan Wang},
journal= {arXiv preprint arXiv:2302.06141},
year = {2023}
}
备注
13 pages; Accepted by ICDE 2023