MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
Este artigo apresenta o MAC, o primeiro benchmark público de previsão de taxa de conversão que apresenta rótulos de múltiplos mecanismos de atribuição, juntamente com a biblioteca PyMAL e o modelo MoAE, para abordar lacunas de dados em aprendizado de múltipla atribuição e demonstrar ganhos de desempenho significativos por meio de uma integração de conhecimento cuidadosamente projetada.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine que você esteja tentando adivinhar o que um amigo comprará em seguida. No mundo das compras online, este é um jogo de alto risco jogado por computadores. Cada vez que você clica em um anúncio, um detetive digital tenta descobrir se esse clique levará a uma compra. Isso é chamado de Previsão de Taxa de Conversão (CVR). Por anos, esses detetives trabalharam com um livro de regras muito estreito: eles só dão o crédito por uma venda ao último anúncio que você clicou antes de comprar. É como dizer que, se você passou por uma padaria, depois por uma loja de sapatos e finalmente por uma loja de brinquedos antes de comprar um brinquedo, a loja de brinquedos recebe todo o crédito, e a padaria e a loja de sapatos não recebem nada.
Mas, na vida real, nossas decisões são bagunçadas. Talvez a padaria tenha te deixado com fome, ou a loja de sapatos tenha te dado uma ótima ideia. Para ter o quadro completo, precisamos do Aprendizado de Atribuição Múltipla (MAL). Esta é uma maneira mais inteligente de pensar que diz: "Ei, vamos olhar para todos os anúncios que você clicou, não apenas o último". Ela tenta entender toda a jornada, dando crédito ao primeiro clique, ao último clique ou até mesmo dividindo o crédito igualmente entre todos eles. O grande problema? Até agora, cientistas e empresas só tinham dados que seguiam a regra de "apenas o último clique". Eles estavam tentando aprender uma história complexa de vários passos usando um resumo de uma única frase.
Este artigo, intitulado "MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms", é como abrir uma biblioteca secreta que finalmente tem a história completa. Os autores, uma equipe do Alibaba e da Universidade de Nanjing, criaram um novo conjunto de dados chamado MAC. Isso não é apenas uma lista de cliques; é uma coleção massiva de 79 milhões de cliques em anúncios onde registraram quatro formas diferentes de dar crédito a uma venda: Último Clique (Last-Click), Primeiro Clique (First-Click), Linear (dividindo o crédito igualmente) e um método sofisticado Baseado em Dados (Data-Driven) que usa matemática para descobrir quem realmente fez o maior trabalho. Eles também construíram uma caixa de ferramentas de software gratuita chamada PyMAL para que qualquer pessoa possa testar suas ideias com esses novos dados.
Quando testaram suas novas ideias nesses dados, descobriram coisas fascinantes. Primeiro, observar a jornada inteira (Aprendizado de Atribuição Múltipla) tornou os computadores consistentemente mais inteligentes, especialmente para pessoas que percorrem um caminho longo e sinuoso antes de comprar algo. Segundo, descobriram que simplesmente jogar mais pistas para o computador nem sempre ajuda. Se você tentar prever uma venda de "Primeiro Clique", adicionar muitos outros tipos de pistas pode, na verdade, confundir o modelo. Acontece que você precisa ser muito cuidadoso sobre quais pistas utiliza. Finalmente, eles construíram um novo modelo chamado MoAE (Mistura de Especialistas Assimétricos). Pense no MoAE como uma equipe de detetives onde alguns se especializam em ler toda a jornada, mas há um chefe rigoroso que garante que todo esse conhecimento extra seja usado especificamente para resolver o caso principal. Este novo modelo superou todos os campeões anteriores, melhorando a precisão da previsão em até 0,39 pontos percentuais. Os autores sugerem que, ao usar esses novos dados e essas regras de design inteligentes, podemos finalmente construir sistemas de publicidade que entendem o comportamento humano muito melhor do que antes.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.