超越单一视角：多归因学习实现更优的转化率预测
机器学习
2025-08-22 v1 信息检索
摘要
转化率（CVR）预测是在线广告系统的核心组成部分，其中归因机制——即在用户触点间分配转化功劳的规则——从根本上决定了标签生成和模型优化。尽管许多工业平台支持多种归因机制（例如，首次点击、末次点击、线性以及数据驱动的多触点归因），但传统方法将模型训练限制在来自单一生产关键归因机制的标签上，丢弃了其他归因视角中的互补信号。为解决这一局限，我们提出了一种新颖的用于CVR预测的多归因学习（MAL）框架，该框架整合来自多个归因视角的信号，以更好地捕捉驱动用户转化的潜在模式。具体而言，MAL是一个联合学习框架，由两个核心组件构成：归因知识聚合器（AKA）和主目标预测器（PTP）。AKA被实现为一个多任务学习器，整合从多样化归因标签中提取的知识。相比之下，PTP专注于生成与系统优化的归因指标（例如，末次点击归因下的CVR）对齐的、校准良好的转化概率，确保与工业部署需求的直接兼容性。此外，我们提出了CAT，一种新颖的训练策略，利用所有归因标签组合的笛卡尔积来生成丰富的监督信号。该设计显著提升了归因知识聚合器的性能。实证评估证明了MAL相对于单一归因学习基线的优越性，在离线指标上实现了+0.51%的GAUC提升。在线实验表明，MAL实现了+2.6%的ROI（投资回报率）增长。
引用
@article{arxiv.2508.15217,
title = {See Beyond a Single View: Multi-Attribution Learning Leads to Better Conversion Rate Prediction},
author = {Sishuo Chen and Zhangming Chan and Xiang-Rong Sheng and Lei Zhang and Sheng Chen and Chenghuan Hou and Han Zhu and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2508.15217},
year = {2025}
}
备注
Accepted at CIKM 2025