全空间多任务模型：一种估计点击后转化率的有效方法
机器学习
2018-04-25 v2 信息检索
机器学习
摘要
准确估计点击后转化率（CVR）对于推荐和广告等工业应用中的排序系统至关重要。传统的 CVR 建模采用流行的深度学习方法并达到最先进的性能。然而在实践中它遇到若干特定任务的问题，使 CVR 建模具有挑战性。例如，传统 CVR 模型以点击曝光样本训练，却用于以所有曝光样本在整个空间上推理，这导致样本选择偏差问题。此外，存在极端的数据稀疏问题，使模型拟合相当困难。在本文中，我们通过利用用户行为的序列模式（即曝光 -> 点击 -> 转化）以全新视角对 CVR 建模。所提出的全空间多任务模型（ESMM）可通过 i) 直接在整个空间上建模 CVR，ii) 采用特征表示迁移学习策略，同时消除这两个问题。在淘宝推荐系统收集的数据集上的实验表明，ESMM 显著优于竞争方法。我们还发布了该数据集的一个采样版本以促进未来研究。据我们所知，这是首个包含具有点击与转化标签序列依赖样本用于 CVR 建模的公开数据集。
引用
@article{arxiv.1804.07931,
title = {Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate},
author = {Xiao Ma and Liqin Zhao and Guan Huang and Zhi Wang and Zelin Hu and Xiaoqiang Zhu and Kun Gai},
journal= {arXiv preprint arXiv:1804.07931},
year = {2018}
}
备注
accept by SIGIR-2018