KDDMay, 2023

一种新的历史数据重用方法捕捉促销期间的转化率波动

PDF
TL;DR本研究提出了在销售促销过程中使用历史促销数据进行精准 CVR 预测的历史数据重用 (HDR) 方法。HDR 方法通过数据检索模块、分布偏移校正模块和 TransBlock 模块实现。实验结果表明，HDR 方法可以显著提高排名和校准度指标，此方法已在阿里巴巴的展示广告系统中部署，并在 2022 年的双 11 促销中提高了 %9 的 RPM 和 %16 的 CVR。
cvr predictiondata distribution shifthistorical data reuseautomated data retrievalfine-tuning
发现论文，激发创造
  • 应对产品需求变化：赞助搜索中转化率（CR）预测应用

    本文提出了三种结合产品需求特征、专业数据采样方法和集成技术的模型，可以更准确地预测产品广告的用户交互结果，并同时对用户和广告商行为的波动具有鲁棒性。

    May, 2018

  • 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

  • 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

  • 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

  • 点击率预测的用户行为检索

    本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。

    May, 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

  • 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

  • 利用因果学习和符合性预测提高投资回报率

    利用数据挖掘和神经网络技术的智能决策对商业领域的运营和维护、广告和营销推荐至关重要，本研究探讨了在不同行业中的具有成本意识的二进制处理分配问题（C-BTAP），尤其关注最先进的直接 ROI 预测（DRP）方法，改进了模型的结构以适应数据分布的不确定性和转变，通过离线测试和在线 A/B 测试，验证了这些方法的有效性并与最先进方法相比，取得了显著的改进。

    Jul, 2024

  • 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

  • 增强双重稳健学习用于除偏点击后转化率估计

    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