基于点击后行为分解的全空间多任务转化率预测建模

推荐系统作为现代电子商务的重要组成部分，由两个基本模块构成，即点击率（CTR）和转化率（CVR）预测。虽然 CVR 直接影响购买量，但由于样本选择偏差（SSB）和数据稀疏性（DS）问题，其预测是众所周知的挑战。尽管现有方法通常建立在用户顺序行为路径“曝光$\to$点击$\to$购买”之上，能有效处理 SSB 问题，但由于购买训练样本稀少，它们仍难以解决 DS 问题。观察到用户在点击后总会采取若干与购买相关的动作，我们提出了一种新颖的点击后行为分解思路。具体而言，在点击和购买之间并行插入互斥的购买相关确定性动作（DAction）和其他动作（OAction），形成一种新颖的用户顺序行为图“曝光$\to$点击$\to$D(O)Action$\to$购买”。在此图上定义模型能够利用全空间的所有曝光样本以及来自 D(O)Action 的额外丰富监督信号，从而有效同时解决 SSB 和 DS 问题。为此，我们设计了一种新颖的深度推荐模型，名为精细全空间监督多任务模型（$ESM^{2}$）。根据图上定义的条件概率规则，它采用多任务学习并行预测若干分解后的子目标，并将其顺序组合以形成最终的 CVR。在离线和在线环境上的大量实验证明了 $ESM^{2}$ 相对于最先进模型的优越性。源代码和数据集将予以发布。