MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
Questo articolo introduce MAC, il primo benchmark pubblico per la previsione del tasso di conversione caratterizzato da etichette provenienti da molteplici meccanismi di attribuzione, insieme alla libreria PyMAL e al modello MoAE, per affrontare le lacune nei dati nell'apprendimento multi-attribuzione e dimostrare significativi guadagni di prestazioni attraverso un'integrazione della conoscenza accuratamente progettata.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di cercare di indovinare cosa comprerà un tuo amico. Nel mondo dello shopping online, questo è un gioco ad alta posta in gioco giocato dai computer. Ogni volta che clicchi su un annuncio, un detective digitale cerca di capire se quel clic porterà a un acquisto. Questo si chiama predizione del Tasso di Conversione (CVR). Per anni, questi detective hanno lavorato con un libro di regole molto limitato: danno il merito di una vendita solo all'ultimo annuncio su cui hai cliccato prima di acquistare. È come dire che se sei passato davanti a una panetteria, poi a un negozio di scarpe e infine a un negozio di giocattoli prima di comprare un giocattolo, il negozio di giocattoli riceve tutto il merito, mentre la panetteria e il negozio di scarpe non ricevono nulla.
Ma nella vita reale, le nostre decisioni sono disordinate. Forse la panetteria ti ha fatto venire fame, o il negozio di scarpe ti ha dato un'ottima idea. Per avere il quadro completo, abbiamo bisogno dell'Apprendimento Multi-Attribuzione (MAL). Questo è un modo più intelligente di pensare che dice: "Ehi, guardiamo tutti gli annunci su cui hai cliccato, non solo l'ultimo". Cerca di capire l'intero percorso, dando il merito al primo clic, all'ultimo, o addirittura dividendo il merito equamente tra tutti loro. Il grosso problema? Finora, scienziati e aziende avevano a disposizione solo dati che seguivano la regola del "solo l'ultimo clic". Stavano cercando di imparare una storia complessa a più fasi usando un riassunto di una sola frase.
Questo articolo, intitolato "MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms", è come aprire una biblioteca segreta che finalmente contiene la storia completa. Gli autori, un team di Alibaba e della Nanjing University, hanno creato un nuovo dataset chiamato MAC. Questo non è solo un elenco di clic; è una collezione massiccia di 79 milioni di clic pubblicitari dove hanno registrato quattro diversi modi per attribuire il merito di una vendita: Last-Click (ultimo clic), First-Click (primo clic), Linear (dividendo il merito equamente) e un metodo sofisticato Data-Driven (guidato dai dati) che usa la matematica per capire chi ha fatto davvero il lavoro maggiore. Hanno anche costruito una cassetta degli attrezzi software gratuita chiamata PyMAL, affinché chiunque possa testare le proprie idee su questi nuovi dati.
Quando hanno testato le loro nuove idee su questi dati, hanno scoperto cose affascinanti. Primo, guardare l'intero percorso (Multi-Attribution Learning) ha reso i computer costantemente più intelligenti, specialmente per le persone che compiono un percorso lungo e tortuoso prima di acquistare qualcosa. Secondo, hanno scoperto che lanciare semplicemente più indizi al computer non aiuta sempre. Se provi a predire una vendita "First-Click", aggiungere troppi altri tipi di indizi in realtà confonde il modello. Si scopre che bisogna essere molto attenti a quali indizi si utilizzano. Infine, hanno costruito un nuovo modello chiamato MoAE (Mixture of Asymmetric Experts). Pensa a MoAE come a una squadra di detective dove alcuni si specializzano nel leggere l'intero percorso, ma c'è un capo severo che si assicura che tutta quella conoscenza extra sia usata specificamente per risolvere il caso principale. Questo nuovo modello ha superato tutti i campioni precedenti, migliorando l'accuratezza della predizione fino a 0,39 punti percentuali. Gli autori suggeriscono che, utilizzando questi nuovi dati e queste regole di progettazione intelligenti, possiamo finalmente costruire sistemi pubblicitari che comprendono il comportamento umano molto meglio di prima.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.