面向全空间转化率预测的延迟反馈建模
机器学习
2020-11-25 v1
摘要
在电子商务中，准确估计点击后转化率（CVR）至关重要。然而，CVR预测在实践中通常面临三个主要挑战：i) 数据稀疏性：与曝光相比，转化样本往往极其稀少；ii) 样本选择偏差：传统的CVR模型使用点击曝光进行训练，而在所有曝光的整个空间上进行推断；iii) 延迟反馈：许多转化只能在点击发生后经相对较长且随机的延迟才能被观测到，导致训练期间出现许多假负标签。以往研究主要关注其中一或两个问题上，而忽略了其他问题。本文提出一种新颖的神经网络框架ESDF，以同时应对上述三个挑战。与现有方法不同，ESDF从全空间视角对CVR预测建模，并结合了用户序列行为模式与时间延迟因子的优势。具体而言，ESDF利用所有曝光整个空间上用户动作的序列行为来缓解样本选择偏差问题。通过在CTR与CVR网络间共享嵌入参数，数据稀疏性问题得到极大缓解。与传统的延迟反馈方法不同，ESDF不对延迟分布做任何特殊假设。我们按天时段离散化延迟时间，并基于生存分析结合深度神经网络对概率建模，这更具实用性且适合工业场景。我们进行了大量实验以评估方法的有效性。据我们所知，ESDF是CVR预测领域首次统一解决上述三个挑战的尝试。
引用
@article{arxiv.2011.11826,
title = {Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction},
author = {Yanshi Wang and Jie Zhang and Qing Da and Anxiang Zeng},
journal= {arXiv preprint arXiv:2011.11826},
year = {2020}
}