MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
Dieses Paper führt MAC ein, den ersten öffentlichen Benchmark zur Vorhersage von Konversionsraten, der Labels aus mehreren Attributionsmechanismen enthält, zusammen mit der PyMAL-Bibliothek und dem MoAE-Modell, um Datenlücken im Multi-Attribution-Learning zu schließen und signifikante Leistungssteigerungen durch sorgfältig gestaltete Wissensintegration zu demonstrieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu erraten, was ein Freund als Nächstes kaufen wird. In der Welt des Online-Shoppings ist dies ein hochkarätiges Spiel, das von Computern gespielt wird. Jedes Mal, wenn Sie auf eine Anzeige klicken, versucht ein digitaler Detektiv herauszufinden, ob dieser Klick zu einem Kauf führen wird. Dies wird Conversion Rate (CVR) Prediction genannt. Jahrelang haben diese Detektive mit einem sehr engen Regelwerk gearbeitet: Sie schreiben den Verkauf nur der allerletzten Anzeige zu, auf die Sie geklickt haben, bevor Sie gekauft haben. Es ist so, als würde man sagen, wenn Sie an einer Bäckerei, dann an einem Schuhgeschäft und schließlich an einem Spielzeugladen vorbeigingen, bevor Sie ein Spielzeug kauften, bekäme das Spielzeuggeschäft die gesamte Anerkennung, während die Bäckerei und das Schuhgeschäft gar nichts bekämen.
Aber im echten Leben sind unsere Entscheidungen chaotisch. Vielleicht hat die Bäckerei Sie hungrig gemacht, oder das Schuhgeschäft hat Ihnen eine tolle Idee gegeben. Um das vollständige Bild zu erhalten, benötigen wir Multi-Attribution Learning (MAL). Dies ist eine intelligentere Denkweise, die besagt: „Hey, schauen wir uns alle Anzeigen an, auf die Sie geklickt haben, nicht nur die letzte.“ Es versucht, die gesamte Reise zu verstehen, indem es der ersten Anzeige, der letzten Anzeige oder sogar der gleichmäßige Anteil der Anerkennung unter allen Anzeigen zuschreibt. Das große Problem? Bis jetzt hatten Wissenschaftler und Unternehmen nur Daten, die der „Nur-letzter-Klick“-Regel folgten. Sie versuchten, eine komplexe, mehrstufige Geschichte anhand einer einseitigen Zusammenfassung zu erlernen.
Dieses Paper mit dem Titel „MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms“ ist wie das Öffnen einer geheimen Bibliothek, die endlich die ganze Geschichte enthält. Die Autoren, ein Team von Alibaba und der Nanjing University, haben einen brandneuen Datensatz namens MAC erstellt. Dies ist nicht nur eine Liste von Klicks; es ist eine massive Sammlung von 79 Millionen Anzeigenklicks, bei denen sie vier verschiedene Wege aufgezeichnet haben, um den Verkauf zu würdigen: Last-Click, First-Click, Linear (gleichmäßige Aufteilung der Anerkennung) und eine ausgeklügelte, datengesteuerte Methode, die mithilfe von Mathematik ermittelt, wer wirklich die meiste Arbeit geleistet hat. Sie haben auch ein kostenloses Software-Werkzeug namens PyMAL entwickelt, damit jeder seine Ideen mit diesen neuen Daten testen kann.
Als sie ihre neuen Ideen mit diesen Daten testeten, fanden sie einige faszinierende Dinge heraus. Erstens: Die Betrachtung der gesamten Reise (Multi-Attribution Learning) machte die Computer konsistent klüger, insbesondere für Menschen, die einen langen, gewundenen Pfad vor dem Kauf zurücklegen. Zweitens entdeckten sie, dass es nicht immer hilft, dem Computer einfach nur mehr Hinweise zu geben. Wenn man versucht, einen „First-Click“-Verkauf vorherzusagen, verwirren zu viele andere Arten von Hinweisen das Modell tatsächlich. Es stellt sich heraus, dass man sehr vorsichtig sein muss, welche Hinweise man verwendet. Schließlich entwickelten sie ein neues Modell namens MoAE (Mixture of Asymmetric Experts). Stellen Sie sich MoAE wie ein Team von Detektiven vor, bei denen einige darauf spezialisiert sind, die gesamte Reise zu lesen, aber es gibt einen strengen Chef, der sicherstellt, dass all dieses zusätzliche Wissen spezifisch dazu verwendet wird, den Hauptfall zu lösen. Dieses neue Modell schlug alle bisherigen Champions und verbesserte die Vorhersagegenauigkeit um bis zu 0,39 Prozentpunkte. Die Autoren legen nahe, dass wir durch die Verwendung dieser neuen Daten und dieser klugen Designregeln endlich Werbesysteme bauen können, die das menschliche Verhalten viel besser verstehen als je zuvor.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.