你的標(biāo)簽錯(cuò)了,而且錯(cuò)了很多！

一元@煉丹筆記

在推薦搜索的建模中，我們經(jīng)常會(huì)使用D+1天的數(shù)據(jù)作為label,從1~D天的數(shù)據(jù)中的進(jìn)行特征抽取等工作,和我們時(shí)間序列問題建模類似,但和很多其他的時(shí)間序列問題建模不一樣的地方在于,我們的label不一定可靠,比如在傳統(tǒng)的時(shí)間序列回歸中,D+1天的銷量是多少就是多少,我們沒有太多的猶豫,因?yàn)椴淮髸?huì)有其他的情況。但是在電商的問題中,就存在下面這種情況：

D+1天未購買可能并不一定是真正意義上的未購買,而可能是加入購物車或者意愿清單了, 只是沒有在當(dāng)天下單, 而是過了一天在D+2天的時(shí)候下了單, 而這樣的標(biāo)簽如果我們直接默認(rèn)其為負(fù)樣本就會(huì)有較大的問題,因?yàn)樗⒉皇钦嬲饬x上的負(fù)樣本，只是反饋延遲了。

這在搜索推薦系統(tǒng)中,我們稱之為延遲反饋的問題。

那么這個(gè)問題嚴(yán)重嗎？如果只有1%不到的數(shù)據(jù)在第二天甚至之后出現(xiàn)了延遲,那么或許并不是一個(gè)問題，但實(shí)際呢？在Criteo公司早期，

• 有35%的商品會(huì)在點(diǎn)擊后一個(gè)小時(shí)內(nèi)得到轉(zhuǎn)化；
• 有50%的商品會(huì)在點(diǎn)擊后24h內(nèi)得到轉(zhuǎn)化；
• 有13%的商品會(huì)在點(diǎn)擊后2周之后才得到轉(zhuǎn)化。

那么如何解決該問題呢？

對(duì)時(shí)間延遲建模

這個(gè)問題較早在2014文章Modelling Delayed Feedback in Display Advertising中被提出，該文十分經(jīng)典，同時(shí)提出的問題十分具有實(shí)踐價(jià)值,但是已經(jīng)過去了6年, 本文我們就研討最新的IJCAI20關(guān)于CVR預(yù)估標(biāo)簽延遲的paper.《An Attention-based Model for CVR with Delayed Feedback via Post-Click Calibration》。

最新延遲反饋論文解讀

問題背景

在早期對(duì)于標(biāo)簽反饋延遲的建模都是建立在LR等傳統(tǒng)模型上,會(huì)存在模型表示能力欠缺以及需要大量人工專家特征的問題,本文將傳統(tǒng)的模型替換為現(xiàn)在火熱的深度學(xué)習(xí)模型，從而大大提高模型的表示能力。

但是在深度模型用于推薦問題時(shí),又會(huì)出現(xiàn)大量類別特征EMbedding的稀疏性問題,這在CTR建模的時(shí)候是很容易得到解決的,因?yàn)镃TR數(shù)據(jù)集是非常大的,模型往往可以學(xué)習(xí)到不錯(cuò)的Embedding信息,但是CVR的數(shù)據(jù)集是相對(duì)較小的。

所以如何解決數(shù)據(jù)稀疏性的問題是一個(gè)非常大的挑戰(zhàn)；

此外,早期的文章都假設(shè),也就是說,用戶在點(diǎn)擊商品之后到現(xiàn)在的時(shí)間是不影響我們商品的最終轉(zhuǎn)化以及轉(zhuǎn)化時(shí)間,這其實(shí)是不對(duì)的。

很明顯地,用戶在點(diǎn)擊完某個(gè)商品之后對(duì)于其他商品的點(diǎn)擊會(huì)影響最終是否會(huì)購買該商品？

以及最終購買該商品的時(shí)間(本文做了一定泛化，依然假設(shè)點(diǎn)擊item之后到目前的時(shí)間不會(huì)影響最終商品是否會(huì)轉(zhuǎn)化,但是會(huì)影響商品最終轉(zhuǎn)化的時(shí)間)。

所以本篇文章就是Focus在解決數(shù)據(jù)稀疏性以及標(biāo)簽延遲反饋的問題上提出了一種新的解決方案。

下面我們看看本文是如何來解決這兩大挑戰(zhàn)的。數(shù)據(jù)稀疏性問題&時(shí)間延遲建模

模型部分

數(shù)據(jù)稀疏性問題

為了處理因?yàn)閿?shù)據(jù)樣本量稀少而帶來的大量ID特征學(xué)習(xí)不充分的問題,本文使用預(yù)訓(xùn)練好的Telepath從Item的圖像中學(xué)習(xí)得到結(jié)果替換稀疏的ID特征，以此來緩解該問題。從文章最后的實(shí)驗(yàn)中我們也發(fā)現(xiàn)，數(shù)據(jù)稀疏性帶來的影響是巨大的,具體地可以參見實(shí)驗(yàn)部分。

轉(zhuǎn)化模型&時(shí)間延遲模型

在稀疏ID的Embedding處理完成之后,接下來我們看一下我們的模型框架，

本文的模型框架主要分為左右兩個(gè)模塊，左側(cè)的轉(zhuǎn)化模型以及右側(cè)的時(shí)間延遲模型。

1.左側(cè)轉(zhuǎn)化模型：

我們可以用自己設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)來構(gòu)建自己的轉(zhuǎn)化模型. 本文的轉(zhuǎn)化模型的構(gòu)建主要有三個(gè)模塊，我們由后往前看,

2.時(shí)間延遲模型

2.1 關(guān)系梳理

和《Modeling Delayed Feedback in Display Advertising》論文中類似,我們還需要得到

我們將轉(zhuǎn)換的延遲時(shí)間全部轉(zhuǎn)化為天的粒度, 在Survival Analysis中我們知道, 只要得到其中任意一個(gè)的表示，就可以得到其他的表示，也就是說我們對(duì)f(t)或者s(t)進(jìn)行假設(shè)之后,就可以推導(dǎo)得到f(t),h(t)以及s(t)三者的表示.

2.2 網(wǎng)絡(luò)表示

那么接下來我們只需要看一下該概率是如何通過網(wǎng)絡(luò)層進(jìn)行表示的，具體可以參考文章給出的右側(cè)的網(wǎng)絡(luò)大致框架進(jìn)行解讀。和之前的一樣，我們由后往前看,

實(shí)驗(yàn)結(jié)果

1.整體性能比較：

我們看一下本文的實(shí)驗(yàn)結(jié)果，

從上面的實(shí)驗(yàn)中，我們發(fā)現(xiàn)：

• • Item的Embedding初始化對(duì)效果的影響是巨大的;
  • Time Delay模塊的影響僅次于Item的Embedding初始化;
  • SelfAttention的影響是WP1和JD-MP數(shù)據(jù)集上的影響是相對(duì)較小的。

2.Time Delay分析:

我們從Figure2中可以看到,我們的在訓(xùn)練集和測試集上的時(shí)間延遲分布是類似的，此處我們用Jensen-Shannon divergence來刻畫不同模型對(duì)于time delay的預(yù)測，而從結(jié)果上看，本文的算法對(duì)于時(shí)間延遲的預(yù)測也是最好的。

一本有仙氣的筆記，記錄了AI里的不凡

總結(jié)

以上是生活随笔為你收集整理的标签修正：CVR预估时间延迟问题的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。