MAC：多归因机制下的转化率预测基准数据集
机器学习
2026-03-03 v1 人工智能
摘要
多归因学习（MAL）通过学习来自多个归因机制产生的转换标签来提升模型性能，已成为转化率（CVR）预测的有前景的学习范式。然而，公开的 CVR 数据集中的转换标签由单一归因机制生成，阻碍了 MAL 方法的发展。为解决这一数据差距，我们建立了多归因基准（MAC），这是第一个包含来自多个归因机制标签的公开 CVR 数据集。此外，我们开发了 PyMAL，一个开源库，涵盖广泛的基线方法，以促进 MAL 的可重复研究。我们对 MAC 进行了全面的实验分析，揭示了三个关键见解：（1）在不同归因设置下，MAL 均带来一致的性能提升，尤其适用于具有长转化路径的用户。（2）性能增长在大多数设置下随目标复杂度而提升；然而，在预测首次点击转换目标时，仅简单增加辅助目标反而适得其反，这凸显了对辅助目标谨慎选择的必要性。（3）两个架构设计原则至关重要：首先，充分学习多归因知识；其次，充分利用这种知识服务于主任务。针对这些发现，我们提出了混合不对称专家（MoAE），一种有效的 MAL 方法，融合了多归因知识学习和主任务导向的知识利用。在 MAC 上的实验表明，MoAE 显著超越了现有的领先 MAL 方法。我们相信，我们的基准数据集和见解将推动 MAL 领域的未来研究。我们的 MAC 基准数据集和 PyMAL 算法库已公开于 https://github.com/alimama-tech/PyMAL。
引用
@article{arxiv.2603.02184,
title = {MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms},
author = {Jinqi Wu and Sishuo Chen and Zhangming Chan and Yong Bai and Lei Zhang and Sheng Chen and Chenghuan Hou and Xiang-Rong Sheng and Han Zhu and Jian Xu and Bo Zheng and Chaoyou Fu},
journal= {arXiv preprint arXiv:2603.02184},
year = {2026}
}
备注
Code and data available at https://github.com/alimama-tech/PyMAL