定向展示广告中基于多任务学习建模受众多步转化的序列依赖

在大多数现实世界大规模在线应用（如电商或金融）中，客户获取通常是受众的多步转化过程。例如，电商平台上的受众通常经历曝光->点击->购买过程。然而，金融广告（如信用卡广告）中的客户获取比传统广告更为困难。一方面，受众多步转化路径更长。另一方面，正向反馈逐步更稀疏（类别不平衡），且由于激活的延迟反馈难以获得最终正向反馈。多任务学习是该方向上的典型解决方案。尽管已有大量多任务研究，一个长期存在的挑战是如何显式建模受众多步转化间的长路径序列依赖以提升端到端转化。本文提出自适应信息迁移多任务（AITM）框架，通过自适应信息迁移（AIT）模块建模受众多步转化间的序列依赖。AIT 模块可自适应学习在不同转化阶段迁移什么信息及迁移多少信息。此外，通过在损失函数中结合行为期望校准器，AITM 框架可产生更准确的端到端转化识别。所提框架已部署于美团 app，用于实时向具有高端到端转化率的受众展示美团联名信用卡横幅。在工业和公共真实世界数据集上的离线实验结果清楚表明，该框架相比最先进基线取得了显著更优的性能。