LDACP：用于出价策略的长延迟广告转化预测模型

在在线广告中，一旦广告 campaign 部署，自动化出价系统就会动态调整出价策略，以优化基于广告转化次数的成本( Cost Per Action, CPA)。对于转换延迟较长的广告，仅依赖实时跟踪的转化次数作为出价策略信号会显著高估当前 CPA，导致保守的出价策略。因此，预测长延迟转化次数至关重要。然而，由于广告转化次数范围广泛，传统回归方法在预测广告转化次数方面存在挑战。以往的回归工作通过将回归问题转化为桶分类问题来克服这一挑战，在 various 场景中取得了成功。然而，在预测广告转化次数时，仍存在具体挑战：1) 广告转化次数的整数特性加剧了 one-hot 硬标签的离散问题；2) 广告转化次数的长尾分布使尾部数据预测变得复杂。本文提出了用于出价策略的长延迟广告转化预测模型(LDACP)，该模型由两个子模块组成。为缓解 one-hot 硬标签离散问题，Bucket Classification Module with label Smoothing method (BCMS) 将 one-hot 硬标签转换为非归一化软标签，然后通过最小化分类损失和回归损失来拟合这些软标签。为了应对尾部数据预测挑战，Value Regression Module with Proxy labels (VRMP) 使用聚合 pCTCVR 的预测偏差作为代理标签。最后，一个由 Mixture of Experts (MoE) 结构集成 BCMS 和 VRMP 的预测结果，以获得最终的广告转化次数预测。