面向转化率预测的无偏延迟反馈标签校正方法
信息检索
2023-07-25 v1
摘要
转化率预测对数字展示广告等许多在线应用至关重要。为捕捉动态数据分布，工业系统通常需每日或每周基于近期数据重新训练模型。然而，转化行为的延迟常导致错误标注，即所谓的延迟反馈问题。现有工作可能因数据稀疏与动态数据分布而未能引入关于假阴性样本的正确信息。为直接引入正确的反馈标签信息，我们提出一种无偏延迟反馈标签校正框架（ULC），其利用辅助模型对观测到的负反馈样本进行标签校正。首先，我们从理论上证明，经标签校正的损失是使用真实标签的预言损失（oracle loss）的无偏估计。其次，由于尚无现成的标签校正训练数据，我们采用反事实标注（counterfactual labeling）构建人工训练数据。此外，鉴于反事实标注仅利用部分训练数据，我们设计了一种基于嵌入的替代训练方法以提升性能。在公开与私有数据集上的对比实验及详细分析表明，我们所提方法有效缓解了延迟反馈问题，并持续优于先前的最先进（SOTA）方法。
引用
@article{arxiv.2307.12756,
title = {Unbiased Delayed Feedback Label Correction for Conversion Rate Prediction},
author = {Yifan Wang and Peijie Sun and Min Zhang and Qinglin Jia and Jingjie Li and Shaoping Ma},
journal= {arXiv preprint arXiv:2307.12756},
year = {2023}
}
备注
accepted by KDD 2023