基于大规模因果方法与多任务学习的去偏点击后转化率估计
信息检索
2020-04-07 v2 机器学习
摘要
点击后转化率（CVR）估计是电商推荐系统中的关键任务。该任务在工业环境下被认为极具挑战，存在两个主要问题：1) 由用户自选导致的选择偏差，以及 2) 由稀少点击事件导致的数据稀疏。一次成功的转化通常具有以下顺序事件：“曝光 -> 点击 -> 转化”。常规 CVR 估计器在点击空间中训练，但推断在整个曝光空间中进行。它们未能考虑缺失数据的原因，并将其视为随机缺失。因此，它们的估计极可能大幅偏离真实值。此外，数据稀疏问题也会阻碍许多通常具有大参数空间的工业 CVR 估计器。本文中，我们提出两种原则性、高效且极具效果的工业 CVR 估计器，即 Multi-IPW 与 Multi-DR。所提模型从因果视角处理 CVR 估计，并考虑了非随机缺失的原因。此外，我们的方法基于多任务学习框架，缓解了数据稀疏问题。在工业级数据集上的大量实验表明，我们的方法优于最先进的 CVR 模型。
引用
@article{arxiv.1910.09337,
title = {Large-scale Causal Approaches to Debiasing Post-click Conversion Rate Estimation with Multi-task Learning},
author = {Wenhao Zhang and Wentian Bao and Xiao-Yang Liu and Keping Yang and Quan Lin and Hong Wen and Ramin Ramezani},
journal= {arXiv preprint arXiv:1910.09337},
year = {2020}
}
备注
14 pages, 6 figures, 4 tables; Accepted at The Web Conference 2020;