MetaCVR：基于元学习的小规模推荐场景转化率预测方法
机器学习
2022-04-29 v5 信息检索
摘要
与淘宝、亚马逊等大规模平台不同，小规模推荐场景中的转化率（CVR）建模因严重的数分布波动（DDF）问题而更具挑战性。DDF 使现有 CVR 模型难以生效，原因在于：1）小规模场景中需数月数据才能充分训练 CVR 模型，导致训练与在线服务间存在显著分布差异；2）电商促销对小场景影响显著，导致未来时段分布不确定。本文从元学习视角提出一种名为 MetaCVR 的新颖 CVR 方法以解决 DDF 问题。首先，设计由特征表示网络（FRN）与输出层构成的基 CVR 模型，并利用跨月样本充分训练。然后将具有不同数据分布的时段视为不同场合，利用对应样本与预训练 FRN 得到各场合的正负原型。随后设计距离度量网络（DMN）计算各样本与所有原型间的距离度量，以缓解分布不确定性。最后开发集成预测网络（EPN），融合 FRN 与 DMN 输出进行最终 CVR 预测。此阶段冻结 FRN，仅用近期样本训练 DMN 与 EPN，从而有效缓解分布差异。据我们所知，这是首个针对小规模推荐场景 DDF 问题的 CVR 预测研究。真实数据集实验验证了 MetaCVR 的优越性，在线 A/B 测试亦表明本模型在 PCVR 与 GMV 上分别取得 11.92% 与 8.64% 的显著提升。
引用
@article{arxiv.2112.13753,
title = {MetaCVR: Conversion Rate Prediction via Meta Learning in Small-Scale Recommendation Scenarios},
author = {Xiaofeng Pan and Ming Li and Jing Zhang and Keren Yu and Luping Wang and Hong Wen and Chengjun Mao and Bo Cao},
journal= {arXiv preprint arXiv:2112.13753},
year = {2022}
}