SIGIRApr, 2018

全空间多任务模型：一种估计后点击转化率的有效方法

PDF
TL;DR该论文提出了一种基于用户行为先后顺序的 CTR 建模方法，即评估用户广告点击数据的转化率，并使用全空间多任务模型 (ESMM) 进行直接建模，该方法可以同时解决采样偏差问题和数据稀疏性问题，并在淘宝推荐系统数据集上进行了实验证明其比竞争方法具有更好的性能。同时，文中还发布了包含点击和转化标签的序列依赖采样版本，成为首个公开的采样版本数据集。
post-click conversion ratecvr modelingsequential patternentire space multi-task modelsampling version
发现论文，激发创造
  • ESCM$^2$: 基于全空间反事实多任务模型的后点击转化率估计

    本文提出了 ESCM$^2$ 方法来减少前端点击转化率的估计偏差问题和后端点击 - 转化估计时的数据独立性优先问题，并在离线和在线数据集中进行广泛实验，证明其比基线模型表现更好。

    Apr, 2022

  • 基于后点击行为分解的整体空间多任务建模用于转化率预测

    提出了通过加入一些行为决策点来缓解 Data Sparsity 和 Sample Selection Bias 问题的新的深度推荐模型 ESM²，将多个子任务的概率以及它们在用户行为路径上的条件概率结合起来，通过大量的线下和线上实验验证，实现了比同类现有模型更好的推荐效果。

    Oct, 2019

  • ESMC: 基于参数约束的全空间多任务模型用于后点击转化率

    大规模在线推荐系统中，点击率和后点击转化率是两个基本任务。本文提出了基于条件概率和参数约束策略的新型整体空间多任务模型，以解决概率空间混淆问题，并通过离线和在线环境的实验证明其优越性。

    Jul, 2023

  • 整个空间反事实学习：调节、分析性质和工业应用

    针对构建有效的推荐系统的基本研究问题，本文提出了一个称为整个空间反事实多任务模型（ESCM2）的原则方法，该方法使用反事实风险最小化器一次处理两个问题以处理数据稀疏问题和保证 CVR 估计的无偏性。该方法证明了 ESCM2 优于基线模型。

    Oct, 2022

  • 通过大规模因果方法和多任务学习进行降低偏差的后点击转化率估计

    本文介绍了针对电子商务推荐系统中转化率估计的两种高效的估计方法，基于多任务学习框架解决了选择偏差、数据稀疏等问题，并通过实验表明其优于现有的 CVR 模型。

    Oct, 2019

  • 全空间转化率延迟反馈建模预测

    本文提出了一个新颖的神经网络框架 ESDF，它从整个空间的角度模型化 CVR 预测，并结合了用户顺序行为模式和时间延迟因素，以同时解决数据稀疏性、样本选择偏差和延迟反馈等三大挑战。经过大量实验，ESDF 已经成为 CVR 预测领域统一解决这三大挑战的首次尝试。

    Nov, 2020

  • 通过多任务学习分层建模微观和宏观行为以预测转化率

    提出了一种利用用户行为生成网络图，结合宏观和微观行为的 Hierarchically Modeling both Micro and Macro behaviors ($HM^3$) 方法，预测电子商务平台中 Conversion Rate (CVR)。通过多任务学习和利用丰富的监督标签，$HM^3$ 能够端对端地进行培训并解决样本选择偏差和数据稀疏性问题。

    Apr, 2021

  • 对比学习用于转化率预测

    本文提出了一种基于对比学习的 CV R 预测框架，使用大量无标签数据学习更好的数据表示，改善预测性能。通过嵌入掩蔽、虚假否定排除和监督正样本包含等方法，削弱了数据稀疏性的限制，实验证明其在真实世界的转化数据集上具有优越表现。

    Jul, 2023

  • 电子商务中赞助搜索的位置偏差缓解的点击 - 转化多任务模型

    为了减轻点击率（CTR）和转化率（CVR）预测中的位置偏见，我们提出了两种不受位置偏见影响的 CTR 和 CVR 预测模型：位置感知点击转化（PACC）和通过位置嵌入的 PACC 模型（PACC-PE）。实验结果表明，我们的模型在评级有效性上表现更好，可以极大地减轻 CTR 和 CVR 预测中的位置偏见。

    Jul, 2023

  • 通过自监督预训练提升在线广告中的转化率预测

    使用自监督预训练的方法来改善在线广告系统中的点击率预测模型，通过训练一个辅助自编码器模型来丰富主要的点击率预测模型，提高相关性、稳定性和网络规模，最终成功部署到 Yahoo 原生广告系统。

    Jan, 2024