AAAIDec, 2020

利用经过时间采样来捕捉转化率预测中的延迟反馈

PDF
TL;DR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。
cvr predictiononline learningdelayed feedback problemimportance samplingdigital advertising
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 延迟反馈下的转化率预测中反馈偏移校正

    本文提出了使用重要性权重方法解决广告展示中的条件分布差异问题，以提高转化率预测的准确性，在离线和在线实验中得到了良好的效果。

    Feb, 2020

  • 基于时间窗口假设的延迟反馈学习分类器

    本研究提出了一种使用时间窗口假设下所有样本构建的无偏和凸实验风险来进行 DF 学习的方法，并在在线广告中进行了验证。

    Sep, 2020

  • 通过标签修正实现延迟反馈建模的渐进无偏估计

    提出一种 DEFUSE 方法用于解决在线广告中的延迟反馈问题，并通过双分布建模框架共同建模数据中的无偏直接正例和有偏延迟转化，从而达到更好的转化率预测效果。

    Feb, 2022

  • 跟随先知：在滞后反馈下精准预测网站转化率

    本文提出了一种基于 FTP 的在线广告延迟反馈问题的解决方案，通过一种多任务预测和聚合策略，从不同时间段的反馈样本中预测 “先知” 预测结果，进行在线学习。实验表明，该方法优于之前的基准线。

    Aug, 2021