面向延迟转化的双重学习算法
机器学习
2020-05-20 v3 机器学习
摘要
在展示广告中，预测转化率（CVR），即用户在广告主网站采取预定义动作的概率，是估计向用户展示广告价值的一项基本任务。由于延迟反馈，CVR 预测面临两个主要挑战。首先，部分正标签在训练数据中未被正确观测，因为某些转化不会在点击后立即发生。其次，延迟机制在样本间并不均匀，意味着某些正反馈比其他反馈更频繁地被观测到。公认的是，这些问题会导致 CVR 预测的严重偏差。为克服这些挑战，我们提出两个无偏估计量：一个用于 CVR 预测，另一个用于偏差估计。随后，我们提出一种双重学习算法，其中 CVR 预测器与偏差估计器仅利用可观测转化以交替方式训练。所提算法是首个以理论严谨方式解决这两大挑战的算法。使用合成数据集的实证评估展示了所提方法的实用价值。
引用
@article{arxiv.1910.01847,
title = {Dual Learning Algorithm for Delayed Conversions},
author = {Yuta Saito and Gota Morishita and Shota Yasui},
journal= {arXiv preprint arXiv:1910.01847},
year = {2020}
}