基于反事实推断的点击后转化率预测

准确预测转化率对于在线广告系统和电子商务等各类推荐领域至关重要。这些系统利用由曝光、点击和转化组成的用户交互日志。CVR 预测模型通常仅在点击样本上进行训练，因为转化只能在点击之后确定。然而，点击样本的稀疏性要求收集大量日志以进行有效的模型训练。近期工作通过设计利用非点击样本的框架来解决此问题。尽管这些框架旨在减少由点击与非点击样本之间差异引起的偏差，但它们通常依赖于启发式方法。在此背景下，我们提出一种以因果性为指导原则，为非点击样本反事实生成转化标签的方法，试图回答“如果用户点击了推荐物品，他或她会转化吗？”这一问题。我们的方法被命名为全空间反事实推断多任务模型（ESCIM）。我们首先训练一个用户序列行为的结构因果模型（SCM），并对非点击物品进行假设干预（即点击）以推断反事实 CVR。随后，我们引入几种方法，将预测的反事实 CVR 转化为非点击样本的二元反事实转化标签。最后，将生成的样本纳入训练过程。在公开数据集上的大量实验表明了所提算法的优越性。在线 A/B 测试进一步从经验上验证了所提算法在真实场景中的有效性。此外，我们展示了所提方法在潜在转化数据上的性能提升，表明其鲁棒性与优越的泛化能力。