掩码多域网络：以单一模型实现多类型多场景转化率预测
信息检索
2024-03-27 v1 机器学习
摘要
在现实世界的广告系统中，转化本质上具有不同类型，且广告可在不同展示场景中呈现，这两者均高度影响实际转化率（CVR）。这导致了多类型多场景 CVR 预测问题。针对该问题的理想模型应满足以下要求：1）准确性：模型应针对任意展示场景中的任意转化类型实现细粒度准确预测。2）可扩展性：模型参数规模应可承受。3）便捷性：模型不应在数据划分、子集处理与分离存储方面耗费大量精力。现有方法无法同时满足这些要求。例如，为每一对（转化类型，展示场景）构建独立模型既不具可扩展性也不便捷。构建一个在所有数据上训练、并将转化类型和展示场景作为两个特征引入的统一模型则不够准确。本文提出掩码多域网络（MMN）来解决该问题。为满足准确性要求，我们建模了域特定参数，并提出动态加权损失以应对每个小批次内的损失尺度不平衡问题。为满足可扩展性要求，我们提出参数共享与组合策略，将模型参数从乘积空间缩减至求和空间。为满足便捷性要求，我们提出自动掩码策略，可接受来自所有域的混合数据作为输入，避免了数据划分、单独处理与分离存储带来的开销。离线和在线实验结果均验证了 MMN 在多类型多场景 CVR 预测上的优越性。MMN 目前是 UC 头条中实时 CVR 预测的在线服务模型。
引用
@article{arxiv.2403.17425,
title = {Masked Multi-Domain Network: Multi-Type and Multi-Scenario Conversion Rate Prediction with a Single Model},
author = {Wentao Ouyang and Xiuwu Zhang and Chaofeng Guo and Shukui Ren and Yupei Sui and Kun Zhang and Jinmei Luo and Yunfeng Chen and Dongbo Xu and Xiangzheng Liu and Yanlong Du},
journal= {arXiv preprint arXiv:2403.17425},
year = {2024}
}
备注
CIKM 2023 (larger figures)