MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
تقدم هذه الورقة البحثية MAC، وهو أول معيار مرجعي عام للتنبؤ بمعدل التحويل يتميز بتسميات من آليات عزو متعددة، إلى جانب مكتبة PyMAL ونموذج MoAE، لمعالجة فجوات البيانات في تعلم العزو المتعدد وإثبات مكاسب الأداء الكبيرة من خلال التكامل المعرفي المصمم بعناية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تخمين ما سيشتريه صديقك لاحقاً. في عالم التسوق عبر الإنترنت، هذه لعبة عالية المخاطر تلعبها الحواسيب. في كل مرة تنقر فيها على إعلان، يحاول محقق رقمي معرفة ما إذا كانت تلك النقرة ستؤدي إلى عملية شراء. يُسمى هذا التنبؤ بمعدل التحويل (CVR). لسنوات، عمل هؤلاء المحققون باستخدام كتاب قواعد ضيق للغاية: فهم لا يمنحون الفضل في عملية البيع إلا لآخر إعلان نقرت عليه قبل الشراء مباشرة. الأمر يشبه القول إنك إذا مررت بمخبز، ثم بمتجر أحذية، ثم بمتجر ألعاب قبل شراء لعبة، فإن متجر الألعاب يحصل على كل الفضل، بينما لا يحصل المخبز ومتجر الأحذية على أي شيء.
لكن في الحياة الواقعية، قراراتنا فوضوية. ربما جعل المخبز جوعك يزداد، أو ربما أعطاك متجر الأحذية فكرة رائعة. لكي نحصل على الصورة الكاملة، نحتاج إلى التعلم متعدد الإسناد (MAL). هذه طريقة أكثر ذكاءً في التفكير تقول: "مهلاً، دعونا ننظر إلى جميع الإعلانات التي نقرت عليها، وليس فقط الأخيرة منها". إنها تحاول فهم الرحلة بأكملها، حيث تمنح الفضل للنقرة الأولى، أو النقرة الأخيرة، أو حتى تقسم الفضل بالتساوي بين جميع النقرات. المشكلة الكبرى؟ حتى الآن، كان العلماء والشركات يمتلكون بيانات تتبع قاعدة "النقرة الأخيرة فقط". كانوا يحاولون تعلم قصة معقدة متعددة الخطوات باستخدام ملخص من جملة واحدة فقط.
هذه الورقة البحثية، بعنوان "MAC: معيار للتنبؤ بمعدل التحويل يتميز بتسميات تحت آليات إسناد متعددة"، تشبه فتح مكتبة سرية تحتوي أخيراً على القصة الكاملة. أنشأ المؤلفون، وهم فريق من علي بابا وجامعة نانجينغ، مجموعة بيانات جديدة تماماً تسمى MAC. هذه ليست مجرد قائمة بنقرات الإعلانات؛ بل هي مجموعة ضخمة من 79 مليون نقرة إعلانية حيث سجلوا أربع طرق مختلفة لمنح الفضل: النقرة الأخيرة، والنقرة الأولى، والنموذج الخطي (تقسيم الفضل بالتساوي)، وطريقة متطورة تعتمد على البيانات تستخدم الرياضيات لمعرفة من قام بالعمل الأكبر حقاً. كما بنوا أيضاً صندوق أدوات برمجياً مجانياً يسمى PyMAL لكي يتمكن أي شخص من اختبار أفكاره على هذه البيانات الجديدة.
عندما اختبروا أفكارهم الجديدة على هذه البيانات، وجدوا أشياء رائعة. أولاً، إن النظر في الرحلة بأكملها (التعلم متعدد الإسناد) جعل الحواسيب أكثر ذكاءً باستمرار، خاصة بالنسبة للأشخاص الذين يسلكون مساراً طويلاً ومتعرجاً قبل الشراء. ثاً، اكتشفوا أن مجرد إلقاء المزيد من الأدلة على الحاسوب لا يساعد دائماً. فإذا حاولت التنبؤ بعملية بيع مرتبطة بـ "النقرة الأولى"، فإن إضافة الكثير من أنواع الأدلة الأخرى قد يربك النموذج بالفعل. اتضح أنه يجب عليك أن تكون حذراً جداً بشأن نوع الأدلة التي تستخدمها. وأخيراً، بنوا نموذجاً جديداً يسمى MoAE (خليط من الخبراء غير المتماثلين). فكر في MoAE كفريق من المحققين، حيث يتخصص بعضهم في قراءة الرحلة بأكملها، ولكن هناك مدير صارم يتأكد من أن كل تلك المعرفة الإضافية تُستخدم خصيصاً لحل القضية الرئيسية. تفوق هذا النموذج الجديد على جميع الأبطال السابقين، حيث حسن دقة التنبؤ بنسبة تصل إلى 0.39 نقطة مئوية. ويقترح المؤلفون أنه من خلال استخدام هذه البيانات الجديدة وقواعد التصميم الذكية هذه، يمكننا أخيراً بناء أنظمة إعلانية تفهم السلوك البشري بشكل أفضل بكثير مما سبق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.