真实负样本至关重要：基于真实负样本持续训练的后滞反馈建模

转化率（CVR）预测的一个难点在于转化可能延迟发生，且在点击后很久才出现。后滞反馈带来一个挑战：新鲜数据有利于持续训练，但在进入训练流程时可能不具备完整的标签信息。为平衡模型新鲜度与标签确定性，以往方法设置一个较短的等待窗口甚至不等待转化信号。若转化发生在等待窗口之外，该样本将被复制并以前阳标签进入训练流程。然而，这些方法存在一些问题。首先，它们假设观测到的特征分布与实际分布一致，但由于复制样本的引入，该假设并不成立。其次，转化动作的确定性仅来自正样本，而在商业系统中转化稀疏，正样本十分稀少。这些问题在后滞反馈建模过程中引入了偏差。本文提出基于真实负样本的延迟反馈建模（DEFER）方法来解决这些问题。所提方法将真实负样本引入训练流程。真实负样本的引入确保观测特征分布等同于实际分布，从而减小偏差。真实负样本的引入也带来了更多关于转化的确定性信息。为纠正分布偏移，DEFER采用重要性采样对损失函数加权。在工业数据集上的实验结果验证了DEFER的优越性。DEFER已部署于阿里巴巴展示广告系统，在多个场景中取得CVR超过6.0%的提升。本文代码与数据现已开源 {https://github.com/gusuperstar/defer.git}。