ESCM$^2$: 基于全空间反事实多任务模型的后点击转化率估计
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
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
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
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
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
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
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
提出了一种更强健的双重鲁棒估计器(MRDR),利用双重学习方法实现其误差插值,从而提高对推荐系统中的后点击转化率进行估计的准确性。在半合成数据集和两个真实世界数据集上的实验证实了该方法的有效性。
May, 2021
我们提出了一种名为整体空间因果回归(ESCFR)的原则性方法,该方法利用随机最优输运的框架来应对观察数据中的治疗选择偏倚问题,并通过放松保质保量约束和设计近端事实后果约束来解决小批量采样效应和未观测混淆因素的影响,实验证明我们的方法能够成功应对治疗选择偏倚,并取得明显优于现有方法的性能。
Oct, 2023
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