Nov, 2020

全空间转化率延迟反馈建模预测

PDF
TL;DR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。
post-click conversion ratecvr predictionneural networksequential behavior patterndelayed feedback
发现论文，激发创造
  • 利用经过时间采样来捕捉转化率预测中的延迟反馈

    本文提出了一种基于时间采样的延迟反馈模型（ES-DFM），利用重要性采样方法优化真实转化分布的期望，并基于此为 CVR 预测的 loss function 赋权，以解决数字广告中的转化率预测问题。

    Dec, 2020

  • 全空间多任务模型：一种估计后点击转化率的有效方法

    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。

    Apr, 2018

  • 一种非参数化延迟反馈模型用于转化率预测

    本研究提出了一种非参数化滞后反馈模型，用于预测展示广告中的转化率，可以反映各种时间延迟的分布形状，并在实验中证明其优于指数分布模型。

    Feb, 2018

  • 鲜度还是准确度，何不兼得？通过动态图神经网络解决延迟反馈

    在本研究中，我们提出了一种名为 DGDFEM 的延迟反馈建模方法，它使用动态图神经网络来解决预测转化率中的延迟反馈问题，并在模型训练中提出了一种名为 HLGCN 的新型图卷积方法，实现了数据新鲜度和标签准确性的平衡。我们在三个行业数据集上进行了大量实验证明了我们方法的一致优越性。

    Aug, 2023

  • 推荐系统中考虑后点击信息的广义延迟反馈模型

    本文介绍了一种利用后点击行为来改善推荐系统的时效性的机器学习方法，提出了一个泛化延迟反馈模型，同时强调在训练过程中利用及时信号和信息质量的平衡来平衡时效性和样本复杂度等问题。在公共数据集上进行的实验验证了该方法的有效性。

    Jun, 2022

  • 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

  • 真实负样本重要性：使用真实负样本进行延迟反馈模型的连续训练

    本文提出了一种 DEFER 方法以解决模型训练中留样问题和转化动作的确定性不足问题。该方法在训练管道中注入真实负样本以确保观察特征分布等于实际分布，并使用重要采样加权损失函数以纠正分布偏移。DEFER 已在阿里巴巴的展示广告系统中实际应用， 在多种场景下推动了转化率 6.0% 以上的改进。

    Apr, 2021

  • 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

  • 延迟反馈建模的多头在线学习

    本研究提出了一种多头建模方法，通过将转化 quantizes 成多个时间窗口来解决线上广告转化预测中标签新鲜度和滞后性之间的挑战，并实验证明其在转化率（CVR）和每次点击价值（VPC）预测方面表现大大优于已知方法。

    May, 2022

  • 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