MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
यह शोध पत्र MAC को प्रस्तुत करता है, जो कई एट्रिब्यूशन मैकेनिज्म से प्राप्त लेबल्स वाला पहला सार्वजनिक कन्वर्जन रेट प्रेडिक्शन बेंचमार्क है, साथ ही इसमें मल्टी-एट्रिब्यूशन लर्निंग में डेटा अंतराल को दूर करने के लिए PyMAL लाइब्रेरी और MoAE मॉडल भी शामिल हैं, और यह सावधानीपूर्वक डिज़ाइन किए गए नॉलेज इंटीग्रेशन के माध्यम से महत्वपूर्ण प्रदर्शन लाभ प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि आपका एक दोस्त आगे क्या खरीदेगा। ऑनलाइन शॉपिंग की दुनिया में, यह कंप्यूटरों द्वारा खेला जाने वाला एक उच्च-दांव वाला खेल है। हर बार जब आप किसी विज्ञापन पर क्लिक करते हैं, तो एक डिजिटल जासूस यह पता लगाने की कोशिश करता है कि क्या वह क्लिक खरीदारी की ओर ले जाएगा। इसे कन्वर्जन रेट (CVR) प्रेडिक्शन कहा जाता है। वर्षों से, ये जासूस एक बहुत ही संकीमित नियम पुस्तिका के साथ काम कर रहे हैं: वे बिक्री का श्रेय केवल उस अंतिम विज्ञापन को देते हैं जिस पर आपने खरीदारी करने से ठीक पहले क्लिक किया था। यह ऐसा है जैसे कहने का कि यदि आप एक बेकरी के पास से गुजरे, फिर एक जूते की दुकान, और अंत में एक खिलौने की दुकान, और फिर एक खिलौना खरीदा, तो खिलौने की दुकान को सारा श्रेय मिलता है, और बेकरी और जूते की दुकान को कुछ भी नहीं मिलता।
लेकिन वास्तविक जीवन में, हमारे निर्णय अव्यवस्थित होते हैं। शायद बेकरी ने आपको भूखा कर दिया था, या जूते की दुकान ने आपको एक शानदार विचार दिया था। पूरी तस्वीर पाने के लिए, हमें मल्टी-एट्रिब्यूशन लर्निंग (MAL) की आवश्यकता है। यह सोचने का एक स्मार्ट तरीका है जो कहता है, "हे, आइए आपके द्वारा क्लिक किए गए सभी विज्ञापनों को देखें, न कि केवल अंतिम एक को।" यह पूरे सफर को समझने की कोशिश करता है, जिससे पहले क्लिक, अंतिम क्लिक, या यहाँ तक कि सभी के बीच श्रेय को समान रूप से विभाजित करने का श्रेय मिलता है। बड़ी समस्या क्या है? अब तक, वैज्ञानिक और कंपनियाँ केवल उसी डेटा के साथ काम कर रही थीं जो "केवल अंतिम क्लिक" के नियम का पालन करता था। वे एक जटिल, बहु-चरणीय कहानी को सीखने की कोशिश कर रहे थे, लेकिन उनके पास केवल एक एकल-वाक्य का सारांश था।
यह शोध पत्र, जिसका शीर्षक है "MAC: ए कन्वर्जन रेट प्रेडिक्शन बेंचमार्क फीचरिंग लेबल्स अंडर मल्टीपल एट्रिब्यूशन मैकेनिज्म्स", एक गुप्त पुस्तकालय खोलने जैसा है जिसमें अंततः पूरी कहानी मौजूद है। लेखकों ने, जो अलीबाबा और नानजिंग यूनिवर्सिटी की एक टीम है, एक नया डेटासेट बनाया है जिसे MAC कहा जाता है। यह केवल क्लिकों की सूची नहीं है; यह 79 मिलियन विज्ञापन क्लिकों का एक विशाल संग्रह है जहाँ उन्होंने बिक्री का श्रेय देने के चार अलग-अलग तरीके रिकॉर्ड किए हैं: लास्ट-क्लिक (अंतिम-क्लिक), फर्स्ट-क्लिक (प्रथम-क्लिक), लीनियर (श्रेय को समान रूप से विभाजित करना), और एक फैंसी डेटा-ड्रिवन (डेटा-संचालित) तरीका जो गणित का उपयोग करके यह पता लगाता है कि वास्तव में किसने सबसे अधिक काम किया। उन्होंने एक मुफ्त सॉफ्टवेयर टूलबॉक्स भी बनाया है जिसे PyMAL कहा जाता है ताकि कोई भी इस नए डेटा पर अपने विचारों का परीक्षण कर सके।
जब उन्होंने इस डेटा पर अपने नए विचारों का परीक्षण किया, तो उन्हें कुछ दिलचस्प बातें पता चलीं। पहला, पूरे सफर को देखने (मल्टी-एट्रिब्यूशन लर्निंग) से कंप्यूटर लगातार स्मार्ट हो गए, विशेष रूप से उन लोगों के लिए जो खरीदारी करने से पहले एक लंबा, घुमावदार रास्ता अपनाते हैं। दूसरा, उन्होंने पाया कि कंप्यूटर को केवल अधिक सुराग देना हमेशा मददगार नहीं होता है। यदि आप एक "फर्स्ट-क्लिक" बिक्री की भविष्यवाणी करने की कोशिश करते हैं, तो बहुत अधिक अन्य प्रकार के सुराग जोड़ने से वास्तव में मॉडल भ्रमित हो जाता है। यह पता चलता है कि आपको इस बात के प्रति बहुत सावधान रहना पड़ता है कि आप किन सुरागों का उपयोग करते हैं। अंत में, उन्होंने एक नया मॉडल बनाया जिसे MoAE (मिक्सचर ऑफ एसिमेट्रिक एक्सपर्ट्स) कहा जाता है। MoAE को जासूसों की एक टीम के रूप में सोचें जहाँ कुछ पूरे सफर को पढ़ने में विशेषज्ञ हैं, लेकिन एक सख्त बॉस है जो यह सुनिश्चित करता है कि उस अतिरिक्त ज्ञान का उपयोग विशेष रूप से मुख्य मामले को हल करने के लिए किया जाए। इस नए मॉडल ने पिछले सभी चैंपियनों को पछाड़ दिया, जिससे भविष्यवाणी की सटीकता में 0.39 प्रतिशत अंक तक का सुधार हुआ। लेखकों का सुझाव है कि इस नए डेटा और इन स्मार्ट डिजाइन नियमों का उपयोग करके, हम अंततः ऐसे विज्ञापन सिस्टम बना सकते हैं जो मानव व्यवहार को पहले की तुलना में बहुत बेहतर समझते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।