通过多任务学习分层建模微观与宏观行为以进行转化率预测
机器学习
2021-04-21 v1 人工智能
摘要
现代工业电商平台中的转化率（CVR）预测正变得愈发重要，其直接贡献于最终收益。为解决 CVR 建模中广为人知的样本选择偏差（SSB）与数据稀疏（DS）问题，现有方法利用了丰富的带标签宏观行为（即用户与物品的交互）。然而，我们观察到若干购买相关的微观行为（即用户与物品详情页上特定组件的交互）可为 CVR 预测补充细粒度线索。受此启发，我们提出一种新颖的 CVR 预测方法，通过分层建模微观与宏观行为（）。具体而言，我们首先构建完整的用户序列行为图，将微观行为与宏观行为分层表示为图中的一跳与两跳点击后节点。随后，我们将 实现为一个多头深度神经网络，预测对应于图中显式子路径的六个概率变量。它们依据图上定义的条件概率规则进一步组合为四个辅助任务以及最终 的预测目标。通过采用多任务学习并利用来自微观与宏观行为的丰富监督标签， 可端到端训练并解决 SSB 与 DS 问题。在离线与在线设置下的大量实验均证明了所提 相较代表性前沿方法的优越性。
引用
@article{arxiv.2104.09713,
title = {Hierarchically Modeling Micro and Macro Behaviors via Multi-Task Learning for Conversion Rate Prediction},
author = {Hong Wen and Jing Zhang and Fuyu Lv and Wentian Bao and Tianyi Wang and Zulong Chen},
journal= {arXiv preprint arXiv:2104.09713},
year = {2021}
}
备注
Accepted as SIGIR 2021 short paper