面向联合 CTR-CVR 估计的自适应细粒度任务相关性建模
信息检索
2023-02-07 v2
摘要
在现代广告与推荐系统中，多任务学习（MTL）范式已被广泛采用以联合预测多样的用户反馈（如点击与购买）。然而，现有 MTL 方法要么难以适应不同场景，要么仅捕捉粗粒度任务相关性，从而难以有效地跨任务迁移知识。为解决这些问题，本文提出一种自适应细粒度任务相关性建模方法 AdaFTR，用于联合 CTR-CVR 估计。我们的方法基于参数共享的 MTL 架构开发，并引入一种基于对比学习的新型任务间表示对齐方法。给定一个样本，同一样本的任务间表示被视为正例，而另一随机样本的表示被视为负例。此外，我们将细粒度任务相关性显式建模为样本级别的对比强度（即 InfoNCE 损失中的温度系数）。为此，我们构建了一个相关性预测网络，以预测样本任务间表示的对比强度。通过这种方式，我们能在细粒度（即样本级）自适应地设置对比学习的温度，从而更好地捕捉任务相关性。在公开电商数据集上的离线评估与阿里巴巴真实广告系统中的在线测试均证明了我们方法的有效性。
引用
@article{arxiv.2208.13442,
title = {Modeling Adaptive Fine-grained Task Relatedness for Joint CTR-CVR Estimation},
author = {Zihan Lin and Xuanhua Yang and Xiaoyu Peng and Wayne Xin Zhao and Shaoguo Liu and Liang Wang and Bo Zheng},
journal= {arXiv preprint arXiv:2208.13442},
year = {2023}
}
备注
10 pages, 4 figures