新鲜度还是准确性，为何不能兼得？通过动态图神经网络解决延迟反馈问题
机器学习
2023-08-17 v1 人工智能
摘要
延迟反馈问题是预测转化率中最紧迫的挑战之一，因为用户的转化在在线商业系统中总是延迟的。尽管新数据有利于持续训练，但在没有完整反馈信息（即转化标签）的情况下，训练算法可能受到大量假负样本的困扰。现有方法倾向于使用多任务学习或设计数据流水线来解决延迟反馈问题。然而，这些方法在数据新鲜度和标签准确性之间存在权衡。在本文中，我们提出通过动态图神经网络进行延迟反馈建模（DGDFEM）。它包括三个阶段，即准备数据流水线、构建动态图和训练 CVR 预测模型。在模型训练中，我们提出一种名为 HLGCN 的新型图卷积方法，它利用高通和低通滤波器来处理转化和非转化关系。所提方法同时实现了数据新鲜度和标签准确性。我们在三个工业数据集上进行了大量实验，验证了我们方法的一致优越性。
引用
@article{arxiv.2308.08071,
title = {Freshness or Accuracy, Why Not Both? Addressing Delayed Feedback via Dynamic Graph Neural Networks},
author = {Xiaolin Zheng and Zhongyu Wang and Chaochao Chen and Feng Zhu and Jiashu Qian},
journal= {arXiv preprint arXiv:2308.08071},
year = {2023}
}