WWWFeb, 2022

通过标签修正实现延迟反馈建模的渐进无偏估计

PDF
TL;DR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。
delayed feedbackonline advertisingconversion rate predictionimportance samplingbiased distribution
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于偏倚数据集训练无偏离散模型

    本文提出了一种时间相关的重要性重新加权方法来减轻扩散模型中的数据集偏差，并证明了时间相关密度比方法相较于之前的方法更准确，从而在生成学习中最小化误差传播。通过将时间相关密度比用于重新加权和得分校正，可以获得一个可行的目标函数来重建无偏数据密度。此外，本文理论上建立了与传统得分匹配的联系，并证明了其收敛于无偏分布。实验证据支持了该方法的有效性，它在包括 CIFAR-10、CIFAR-100、FFHQ 和 CelebA 在内的多种偏差设置下胜过了基线方法。

    Mar, 2024

  • 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

  • 双重修正框架用于去噪推荐

    通过双重校正框架进行去噪推荐，解决了推荐系统中显式反馈嘈杂样本的问题，提高了准确性和数据利用率。

    May, 2024

  • 简化和加强隐式协同过滤负采样

    本文提出一种简化负采样模型的方法，通过针对设计的内存进行高效采样，解决模型学习中的假阴性问题。在两个合成数据集和三个真实数据集上的实证结果表明，该方法在负采样方面具有鲁棒性和优越性。

    Sep, 2020