推荐系统中利用点击后信息的广义延迟反馈模型

预测转化率（例如用户购买某物品的概率）是基于机器学习的推荐系统中的一个基本问题。然而，准确的转化标签在较长延迟后才揭晓，这损害了推荐系统的时效性。先前文献集中于利用早期转化来缓解此类延迟反馈问题。在本文中，我们表明点击后用户行为对转化率预测同样具有信息量，并可用于改善时效性。我们提出一种广义延迟反馈模型（GDFM），将点击后行为与早期转化统一为随机点击后信息，可高效地以流式方式训练 GDFM。基于 GDFM，我们进一步建立一种新视角：延迟反馈引入的性能差距可归因于时间差距与采样差距。受我们分析启发，我们提出以时间距离与样本复杂度的组合来衡量点击后信息的质量。训练目标相应被重新加权以突出有信息量且及时的信号。我们在公开数据集上验证了分析，实验性能证实了方法的有效性。