深度集成形状校准：在线广告中的多字段事后校准
机器学习
2024-05-22 v2
摘要
在电子商务广告场景中，估计点击率（CTR）和转化率（CVR）的真实概率（称为校准估计）至关重要。以往的研究提出了许多解决校准问题的方法。这些方法通常涉及使用验证集训练校准器，然后在在线推理期间应用这些校准器来修正原始估计值。然而，电子商务广告场景的独特之处在于多字段校准的挑战。多字段校准要求在每个字段中实现校准。为了实现多字段校准，需要强大的数据利用能力。因为单个字段值（如用户ID和商品ID）样本的pCTR指定范围数量相对较少，这使得校准器更难训练。然而，现有方法难以有效解决这些问题。为了解决这些问题，我们提出了一种名为深度集成形状校准（DESC）的新方法。在业务理解和可解释性方面，我们将多字段校准分解为值校准和形状校准。我们引入了创新的基校准函数，通过组合这些基校准函数来增强函数表达能力和数据利用能力。一个重要的进步在于开发了一个分配器，能够为不同字段和值中的不同估计误差分布分配最合适的校准器。我们在公共数据集和工业数据集上都取得了显著改进。在在线实验中，我们观察到CVR提升+2.5%，GMV（商品交易总额）提升+4.0%。我们的代码现已公开：https://github.com/HaoYang0123/DESC。
引用
@article{arxiv.2401.09507,
title = {Deep Ensemble Shape Calibration: Multi-Field Post-hoc Calibration in Online Advertising},
author = {Shuai Yang and Hao Yang and Zhuang Zou and Linhe Xu and Shuo Yuan and Yifan Zeng},
journal= {arXiv preprint arXiv:2401.09507},
year = {2024}
}