SIGIRJul, 2023

电子商务中赞助搜索的位置偏差缓解的点击 - 转化多任务模型

PDF
TL;DR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。
发现论文，激发创造
  • 深度位置交互网络用于 CTR 预测

    本文提出了一种深度位置交互网络 DPIN，以有效组合所有候选项和位置来估算每个位置的 CTR，实现离线和在线的一致性，并在服务性能的限制下对位置、用户、上下文和项目之间的深度非线性交互进行建模。同时，我们提出了一种评估指标 PAUC (position-wise AUC)，以解决 CTR 预测中的位置偏差问题，并在真实数据集上进行了广泛的实验，证明了方法的有效性和效率。在 A/B 测试中，我们的方法已在生产中部署，并观察到与高度优化的基准相比有显著的改进。

    Jun, 2021

  • 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

  • 电商中优化赞助产品的实用经验

    本文研究赞助产品优化中的多个问题，包括基于位置的去偏差、点击 - 转化多任务学习和预测点击率（pCTR）的校准。我们提出了一个实用的机器学习框架，可以解决这些问题，而不改变现有机器学习模型的结构，并可以与大多数机器学习模型结合使用。我们在真实世界的在线购物网站上评估了我们的提出的实用框架，证明它可以解决广告系统中的固有问题，并为多个评估指标带来增益。

    Apr, 2023

  • 知识蒸馏下的位置偏差建模思考与 CTR 预测

    提出一种基于知识蒸馏的简单而高效的方法，以缓解位置偏差的影响，利用位置信息来提高 CTR 预测性能。在真实世界的生产数据集和在线 A/B 测试中，该方法取得了显著的性能改善，并已在全球最大电商平台的主要流量服务中部署。

    Apr, 2022

  • 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

  • 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

  • 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

  • PACRR: 一种面向位置感知的神经信息检索模型用于相关性匹配

    本研究提出了一种名为 PACRR 的新型神经 IR 模型，旨在更好地建模查询和文档之间的位置相关交互，实验结果表明，该模型在多个基准测试下都得到了更好的结果。

    Apr, 2017

  • ESCM$^2$: 基于全空间反事实多任务模型的后点击转化率估计

    本文提出了 ESCM$^2$ 方法来减少前端点击转化率的估计偏差问题和后端点击 - 转化估计时的数据独立性优先问题，并在离线和在线数据集中进行广泛实验，证明其比基线模型表现更好。

    Apr, 2022

  • 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