ESMC：基于参数约束的点击后转化率全空间多任务模型
人工智能
2023-08-01 v2 信息检索
摘要
大规模在线推荐系统遍布互联网，负责点击率（CTR）与点击后转化率（CVR）估计两项基本任务。然而，传统CVR估计器存在众所周知的样本选择偏差与数据稀疏问题。全空间模型通过追踪“曝光_点击_购买”的决策路径来解决这两个问题。进一步，一些研究者观察到点击与购买之间存在与购买相关的行为，能更好地刻画用户决策意图并提升推荐性能。因此，决策路径被扩展为“曝光_点击_店内行为_购买”，并可用条件概率方法建模。然而，我们观察到条件概率的链式法则并非总是成立。我们提出了概率空间混淆（PSC）问题，并从数学上推导了真实值与估计值之间的差异。我们提出了一种新颖的基于参数约束的点击后转化率全空间多任务模型（ESMC）以及两种变体：基于孪生网络的全空间多任务模型（ESMS）与全局域全空间多任务模型（ESMG），以解决PSC问题。具体而言，我们根据店内行为的特征分别处理“曝光_点击_店内行为”与“店内行为_购买”。第一条路径仍用条件概率处理，第二条路径则用参数约束策略处理。在大规模推荐系统的离线与在线环境中的实验表明了我们所提方法相对于最先进（SOTA）模型的优越性。真实世界数据集将被发布。
引用
@article{arxiv.2307.09193,
title = {ESMC: Entire Space Multi-Task Model for Post-Click Conversion Rate via Parameter Constraint},
author = {Zhenhao Jiang and Biao Zeng and Hao Feng and Jin Liu and Jicong Fan and Jie Zhang and Jia Jia and Ning Hu and Xingyu Chen and Xuguang Lan},
journal= {arXiv preprint arXiv:2307.09193},
year = {2023}
}