Rec4Ad：利用推荐样本作为免费资源缓解淘宝广告CTR预测中的样本选择偏差
信息检索
2023-06-07 v1 机器学习
摘要
点击率（CTR）预测是在线广告中的基础组件。常见做法是在带有用户反馈的广告曝光上训练CTR模型。由于广告曝光是由模型自身有意选择的，其分布与推理分布不同，从而表现出影响模型性能的样本选择偏差（SSB）。现有关于SSB的研究主要采用样本重加权技术，这类技术存在高方差和模型校准差的问题。另一类工作依赖于代价高昂的均匀数据，不足以训练工业模型。因此，以无均匀数据框架在工业模型中缓解SSB值得探索。幸运的是，许多平台向用户展示自然物品（即推荐）与赞助物品（即广告）的混合结果，其中广告与推荐的曝光由不同系统选择但共享相同的用户决策逻辑。基于上述特点，我们提出利用推荐样本作为免费午餐来缓解广告CTR模型的SSB（Rec4Ad）。在经过精细的数据增强后，Rec4Ad通过对齐与解耦模块学习解耦表示以实现增强。在淘宝展示广告系统中部署时，Rec4Ad在关键业务指标上取得显著提升，CTR提升高达+6.6%，RPM提升+2.9%。
引用
@article{arxiv.2306.03527,
title = {Rec4Ad: A Free Lunch to Mitigate Sample Selection Bias for Ads CTR Prediction in Taobao},
author = {Jingyue Gao and Shuguang Han and Han Zhu and Siran Yang and Yuning Jiang and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2306.03527},
year = {2023}
}