論文の概要: ChorusCVR: Chorus Supervision for Entire Space Post-Click Conversion Rate Modeling

• arxiv url: http://arxiv.org/abs/2502.08277v2
• Date: Fri, 14 Feb 2025 15:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 18:06:17.172001
• Title: ChorusCVR: Chorus Supervision for Entire Space Post-Click Conversion Rate Modeling
• Title（参考訳）: ChorusCVR:Chorus Supervision for Entire Space Post-Click Conversion Rate Modeling
• Authors: Wei Cheng, Yucheng Lu, Boyang Xia, Jiangxia Cao, Kuan Xu, Mingxing Wen, Wei Jiang, Jiaming Zhang, Zhaojie Liu, Liyin Hong, Kun Gai, Guorui Zhou,
• Abstract要約: クリック後変換率の推定は、収益ビジネスのレコメンデーションシステムにおいて重要なタスクである。 クリックされていないサンプルに対するイベント後のラベルがないため、CVR学習タスクはクリックされたサンプルのみを使用するのが一般的である。 そこで本研究では,空間全体に偏ったCVR学習を実現するための新しいChorusCVRモデルを提案する。
• 参考スコア（独自算出の注目度）: 31.709370437858322
• License:
• Abstract: Post-click conversion rate (CVR) estimation is a vital task in many recommender systems of revenue businesses, e.g., e-commerce and advertising. In a perspective of sample, a typical CVR positive sample usually goes through a funnel of exposure to click to conversion. For lack of post-event labels for un-clicked samples, CVR learning task commonly only utilizes clicked samples, rather than all exposed samples as for click-through rate (CTR) learning task. However, during online inference, CVR and CTR are estimated on the same assumed exposure space, which leads to a inconsistency of sample space between training and inference, i.e., sample selection bias (SSB). To alleviate SSB, previous wisdom proposes to design novel auxiliary tasks to enable the CVR learning on un-click training samples, such as CTCVR and counterfactual CVR, etc. Although alleviating SSB to some extent, none of them pay attention to the discrimination between ambiguous negative samples (un-clicked) and factual negative samples (clicked but un-converted) during modelling, which makes CVR model lacks robustness. To full this gap, we propose a novel ChorusCVR model to realize debiased CVR learning in entire-space.
• Abstract（参考訳）: クリック後変換率(CVR)の推定は、eコマースや広告など、多くのレコメンデーションビジネスにおいて重要なタスクである。 サンプルの観点からは、典型的なCVR陽性サンプルは、通常、クリックして変換する露光のファンネルを通り抜ける。 CVR学習タスクは、クリックスルーレート(CTR)学習タスクではなく、クリックしたサンプルのみを使用する。 しかし、オンライン推論では、CVRとCTRは同一の被曝空間で推定され、トレーニングと推論の間にサンプル空間の不整合、すなわちサンプル選択バイアス(SSB)が発生する。 SSBを緩和するために、従来の知恵は、CTCVRやCVRなどの非クリックトレーニングサンプルでのCVR学習を可能にするために、新しい補助タスクを設計することを提案した。 SSBをある程度緩和することはできるが、どれもモデリング中に曖昧な負のサンプル(クリックしない)と事実の負のサンプル(クリックするが変換しない)の区別に注意を払っていないため、CVRモデルは堅牢性に欠ける。 このギャップを埋めるため,空間全体に偏ったCVR学習を実現するための新しいChorusCVRモデルを提案する。

関連論文リスト

• RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
  本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。 次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。 実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
  論文  参考訳（メタデータ） (2024-04-02T19:14:23Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Click-Conversion Multi-Task Model with Position Bias Mitigation for Sponsored Search in eCommerce [51.211924408864355]
  位置認識型クリック変換(PACC)と位置埋め込み(PACC-PE)によるPACCの2つの位置バイアスのない予測モデルを提案する。 Eコマースが支援する製品検索データセットの実験により、提案したモデルではランキングの有効性が向上し、CTRとCVRの予測における位置バイアスを大幅に軽減できることが示された。
  論文  参考訳（メタデータ） (2023-07-29T19:41:16Z)
• Contrastive Learning for Conversion Rate Prediction [6.607531486024888]
  本稿では,CL4CVR(Contrastive Learning for CVR Prediction)フレームワークを提案する。 教師付きCVR予測タスクと、より良いデータ表現を学ぶための対照的な学習タスクを関連付ける。 2つの実世界の変換データセットの実験結果は、CL4CVRの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-07-12T07:42:52Z)
• Entire Space Counterfactual Learning: Tuning, Analytical Properties and Industrial Applications [5.9460659646670875]
  クリック後変換率(CVR)の推定は、長い間、サンプル選択バイアスとデータ空間の問題に悩まされてきた。 本稿では,全空間対物マルチタスクモデル (ESCM$2$) を提案する。
  論文  参考訳（メタデータ） (2022-10-20T06:19:50Z)
• Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。 トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
  論文  参考訳（メタデータ） (2022-07-07T16:59:53Z)
• Conversion Rate Prediction via Meta Learning in Small-Scale Recommendation Scenarios [17.02759665047561]
  本稿では,データ分散ゆらぎ(DDF)問題に対処するメタ学習の観点から,MetaCVRという新しいCVR手法を提案する。 我々の知る限りでは、小規模なレコメンデーションシナリオにおけるDFF問題を対象としたCVR予測の最初の研究である。
  論文  参考訳（メタデータ） (2021-12-27T16:05:42Z)
• Contrastive Attraction and Contrastive Repulsion for Representation Learning [131.72147978462348]
  コントラスト学習(CL)法は,複数の負のサンプルに対して,エンコーダが各正のサンプルと対比する自己超越的な方法でデータ表現を学習する。 最近のCL法は、ImageNetのような大規模データセットで事前訓練された場合、有望な結果を得た。 自己グループ内の正と負のサンプルを別々に比較し、正と負の群を対比して進行する2つのCL戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-08T17:25:08Z)
• Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction [15.579755993971657]
  クリック後変換率(CVR)を正確に推定することはEコマースにおいて重要である。 本稿では,上記の3つの課題に同時に取り組むために,新しいニューラルネットワークフレームワークESDFを提案する。
  論文  参考訳（メタデータ） (2020-11-24T01:14:03Z)
• LT4REC:A Lottery Ticket Hypothesis Based Multi-task Practice for Video Recommendation System [2.7174057828883504]
  クリックスルーレート予測(CTR)とクリック後変換レート予測(CVR)は、すべての産業ランキングシステムにおいて重要な役割を果たす。 本稿では,マルチタスク学習における宝くじをベースとしたスパース学習の導入により,CVRを新たな手法でモデル化する。 Tencentビデオのレコメンデーションシステムのトラフィックログから収集されたデータセットの実験は、CVRモデルのスパース共有が競合する手法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2020-08-22T16:48:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。