MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
Cet article introduit MAC, le premier benchmark public de prédiction du taux de conversion présentant des étiquettes issues de multiples mécanismes d'attribution, ainsi que la bibliothèque PyMAL et le modèle MoAE, afin de combler les lacunes de données dans l'apprentissage multi-attribution et de démontrer des gains de performance significatifs grâce à une intégration de connaissances soigneusement conçue.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de deviner ce qu'un ami achètera ensuite. Dans le monde du shopping en ligne, c'est un jeu à enjeux élevés auquel jouent les ordinateurs. Chaque fois que vous cliquez sur une publicité, un détective numérique tente de déterminer si ce clic mènera à un achat. C'est ce qu'on appelle la prédiction du taux de conversion (CVR). Pendant des années, ces détectives ont travaillé avec un carnet de règles très limité : ils n'attribuent le crédit d'une vente qu'à la toute dernière publicité sur laquelle vous avez cliqué avant d'acheter. C'est comme dire que si vous êtes passé devant une boulangerie, puis un magasin de chaussures, et enfin un magasin de jouets avant d'acheter un jouet, le magasin de jouets reçoit tout le crédit, et la boulangerie ainsi que le magasin de chaussures ne reçoivent rien.
Mais dans la vie réelle, nos décisions sont désordonnées. Peut-être que la boulangerie vous a donné faim, ou que le magasin de chaussures vous a donné une excellente idée. Pour obtenir une image complète, nous avons besoin de l'Apprentissage Multi-Attribution (MAL). C'est une façon plus intelligente de penser qui dit : « Hé, regardons toutes les publicités sur lesquelles vous avez cliqué, pas seulement la dernière. » Cela tente de comprendre tout le parcours, en accordant du crédit au premier clic, au dernier clic, ou même en répartissant le crédit équitablement entre tous les éléments. Le gros problème ? Jusqu'à présent, les scientifiques et les entreprises ne disposaient que de données suivant la règle du « dernier clic uniquement ». Ils essayaient d'apprendre une histoire complexe à plusieurs étapes en utilisant un résumé d'une seule phrase.
Cet article, intitulé « MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms », est comme l'ouverture d'une bibliothèque secrète qui possède enfin l'histoire complète. Les auteurs, une équipe d'Alibaba et de l'Université de Nanjing, ont créé un tout nouveau jeu de données appelé MAC. Il ne s'agit pas seulement d'une liste de clics ; c'est une collection massive de 79 millions de clics publicitaires où ils ont enregistré quatre manières différentes d'attribuer le crédit d'une vente : le Dernier Clic (Last-Click), le Premier Clic (First-Click), le Linéaire (répartition égale du crédit), et une méthode sophistiquée basée sur les données (Data-Driven) qui utilise les mathématiques pour déterminer qui a réellement fait le plus gros du travail. Ils ont également construit une boîte à outils logicielle gratuite appelée PyMAL afin que n'importe qui puisse tester ses idées sur ces nouvelles données.
Lorsqu'ils ont testé leurs nouvelles idées sur ces données, ils ont découvert des choses fascinantes. Premièrement, examiner l'ensemble du parcours (l'Apprentissage Multi-Attribution) a rendu les ordinateurs plus intelligents de manière constante, en particulier pour les personnes qui suivent un chemin long et sinueux avant d'acheter. Deuxièmement, ils ont découvert que le simple fait de donner plus d'indices à l'ordinateur n'aide pas toujours. Si vous essayez de prédire une vente par « Premier Clic », ajouter trop d'autres types d'indices peut en réalité confondre le modèle. Il s'avère qu'il faut être très prudent quant aux indices que vous utilisez. Enfin, ils ont construit un nouveau modèle appelé MoAE (Mixture of Asymmetric Experts). Voyez MoAE comme une équipe de détectives où certains se spécialisent dans la lecture de l'ensemble du parcours, mais où il y a un patron strict qui veille à ce que toutes ces connaissances supplémentaires soient utilisées spécifiquement pour résoudre l'affaire principale. Ce nouveau modèle a battu tous les anciens champions, améliorant la précision de la prédiction jusqu'à 0,39 point de pourcentage. Les auteurs suggèrent qu'en utilisant ces nouvelles données et ces règles de conception intelligentes, nous pouvons enfin construire des systèmes publicitaires qui comprennent bien mieux le comportement humain qu'auparavant.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.