論文の概要: On Predicting Post-Click Conversion Rate via Counterfactual Inference

• arxiv url: http://arxiv.org/abs/2510.04816v1
• Date: Mon, 06 Oct 2025 13:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.883385
• Title: On Predicting Post-Click Conversion Rate via Counterfactual Inference
• Title（参考訳）: 擬似推論によるクリック後変換率の予測について
• Authors: Junhyung Ahn, Sanghack Lee,
• Abstract要約: 本研究では,非クリック型サンプルの変換ラベルを事実上生成する手法を提案する。 我々のアプローチはEntire Space Counterfactual Inference Multi-task Model (ESCIM) と呼ばれる。
• 参考スコア（独自算出の注目度）: 10.398909602421018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately predicting conversion rate (CVR) is essential in various recommendation domains such as online advertising systems and e-commerce. These systems utilize user interaction logs, which consist of exposures, clicks, and conversions. CVR prediction models are typically trained solely based on clicked samples, as conversions can only be determined following clicks. However, the sparsity of clicked instances necessitates the collection of a substantial amount of logs for effective model training. Recent works address this issue by devising frameworks that leverage non-clicked samples. While these frameworks aim to reduce biases caused by the discrepancy between clicked and non-clicked samples, they often rely on heuristics. Against this background, we propose a method to counterfactually generate conversion labels for non-clicked samples by using causality as a guiding principle, attempting to answer the question, "Would the user have converted if he or she had clicked the recommended item?" Our approach is named the Entire Space Counterfactual Inference Multi-task Model (ESCIM). We initially train a structural causal model (SCM) of user sequential behaviors and conduct a hypothetical intervention (i.e., click) on non-clicked items to infer counterfactual CVRs. We then introduce several approaches to transform predicted counterfactual CVRs into binary counterfactual conversion labels for the non-clicked samples. Finally, the generated samples are incorporated into the training process. Extensive experiments on public datasets illustrate the superiority of the proposed algorithm. Online A/B testing further empirically validates the effectiveness of our proposed algorithm in real-world scenarios. In addition, we demonstrate the improved performance of the proposed method on latent conversion data, showcasing its robustness and superior generalization capabilities.
• Abstract（参考訳）: オンライン広告システムやeコマースなど,さまざまなレコメンデーション領域において,コンバージョン率(CVR)の正確な予測が不可欠である。 これらのシステムは、露出、クリック、変換からなるユーザーインタラクションログを利用する。 CVR予測モデルは典型的には、クリックしたサンプルに基づいてトレーニングされる。 しかし、クリックしたインスタンスのスパーシリティは、効果的なモデルトレーニングのためにかなりの量のログの収集を必要とする。 最近の研究は、非クリックのサンプルを利用するフレームワークを開発することでこの問題に対処している。 これらのフレームワークは、クリックされたサンプルとクリックされていないサンプルの相違に起因するバイアスを減らすことを目的としているが、しばしばヒューリスティックに頼っている。 そこで本研究では,非クリック型サンプルの変換ラベルを因果関係を導出原理として用いて,「ユーザが推奨項目をクリックした場合には,変換可能か?」という疑問に答えようとする手法を提案する。 提案手法はESCIM(Entire Space Counterfactual Inference Multi-task Model)と呼ばれる。 まず、ユーザシーケンシャルな行動の構造因果モデル(SCM)を訓練し、非クリックアイテムに対する仮説的介入(クリック)を行い、偽のCVRを推測する。 次に,非クリックサンプルに対して,予測された反事実CVRを2値の反事実変換ラベルに変換するためのいくつかの手法を提案する。 最後に、生成されたサンプルをトレーニングプロセスに組み込む。 公開データセットに関する大規模な実験は、提案アルゴリズムの優位性を示している。 オンラインA/Bテストは実世界のシナリオにおける提案アルゴリズムの有効性を実証的に検証する。 さらに,提案手法の潜在変換データに対する性能向上を実証し,その堅牢性と優れた一般化能力を示す。

関連論文リスト

• ChorusCVR: Chorus Supervision for Entire Space Post-Click Conversion Rate Modeling [31.709370437858322]
  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。
  論文  参考訳（メタデータ） (2025-02-12T10:31:45Z)
• Entire-Space Variational Information Exploitation for Post-Click Conversion Rate Prediction [11.675652028256428]
  CVR予測のための全空間変動情報活用フレームワーク(EVI)を提案する。 第一に、EVIは条件付き全空間CVR教師を使用して、バイアスのない擬似ラベルを生成する。 そして、非クリック空間情報を対象のCVR推定器に転送するために、変動情報利用とロジット蒸留を適用する。
  論文  参考訳（メタデータ） (2024-12-17T09:37:01Z)
• 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)
• DCRMTA: Unbiased Causal Representation for Multi-touch Attribution [0.2417342411475111]
  MTA(Multi-touch Attribution)は、現在、各広告の変換行動に対する貢献を公平に評価する上で重要な役割を担っている。 これまでの研究は、利用者の好みに起因したバイアスを排除し、変換モデルのバイアスのない仮定を達成しようと試みてきた。 本稿では、ユーザ特徴がコンバージョンに与える影響を再定義し、MTAのための新しいエンドツーエンドのap-proachであるDeep Causal Representationを提案する。
  論文  参考訳（メタデータ） (2024-01-16T23:16:18Z)
• Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems [5.46875780473223]
  本稿では,一様でない過去の行動を扱うために,AutoSAMというシーケンシャルレコメンデーションのための新しい自動サンプリングフレームワークを提案する。 ベンチマークレコメンデーションモデルと4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-11-01T09:25:21Z)
• An Offline Metric for the Debiasedness of Click Models [52.25681483524383]
  クリックモデルは、ユーザークリックから情報を抽出する一般的な方法である。 最近の研究は、コミュニティにおける現在の評価プラクティスが、良いパフォーマンスのクリックモデルが下流のタスクにうまく一般化することを保証できないことを示している。 クリックモデリングにおける偏りの概念を導入し,その測定基準を導出する。
  論文  参考訳（メタデータ） (2023-04-19T10:59:34Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)

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。