面向延迟反馈建模的多头在线学习方法

在在线广告中，预测转化（如购买）的概率与价值极为重要。它不仅通过展示相关广告影响用户体验，还影响广告主的投资回报率（ROI）与平台方的收入。与通常在曝光后几分钟内发生的点击不同，转化预期在较长时间内发生（例如在线购物为30天）。这带来了一个挑战，因为真实标签仅在长延迟后才可用。要么使用不准确的标签（部分转化），要么在陈旧数据（例如30天前的数据）上训练模型。该问题在在线学习中更为突出，后者关注最新数据上的实时表现。本文提出一种利用多头建模应对该挑战的新方案。与传统方法不同，它直接将转化量化为多个时间窗，如第1天、第2天、第3-7天以及第8-30天。每个时间窗内专门训练一个子模型。标签新鲜度在早期模型（如第1天和第2天）中得到最大保留，而晚期转化在具有更长延迟的模型（如第8-30天）中被准确利用。实验表明，在转化率（CVR）与每次点击价值（VPC）预测的在线学习实验中，其性能大幅超越已知方法。最后，作为延迟反馈建模的通用方法，它可与任何先进机器学习（ML）技术结合以进一步提升性能。