MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
本文介绍了 MAC，这是首个包含来自多种归因机制标签的公开转化率预测基准测试，并推出了 PyMAL 库和 MoAE 模型，旨在解决多归因学习中的数据空白，并通过精心设计的知识整合展示显著的性能提升。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图猜猜你的朋友下次会买什么。在网络购物的世界里，这是一场由计算机进行的、高风险的游戏。每当你点击一次广告，一位数字侦探就会试图弄清楚这次点击是否会导致一次购买。这被称为转化率（CVR）预测。多年来，这些侦探一直遵循着一个非常狭隘的规则手册：他们只将销售额归功于你在购买前点击的最后一次广告。这就像是你走过一家面包店，然后经过一家鞋店，最后进了一家玩具店并买了一个玩具，那么玩具店就得到了全部的功劳，而面包店和鞋店则一无所获。
但在现实生活中，我们的决策是复杂的。也许是那家面包店让你饿了，或者那家鞋店给了你一个好主意。为了获得全貌，我们需要多重归因学习（Multi-Attribution Learning, MAL）。这是一种更聪明的思考方式，它在说：“嘿，让我们看看你点击过的所有广告，而不只是最后一个。”它试图理解整个过程，将功劳归于第一次点击、最后一次点击，甚至是在所有点击之间进行平均分配。大问题在于？直到现在，科学家和公司掌握的数据都遵循“仅限最后一次点击”的规则。他们正试图用一个单句摘要去学习一个复杂的、多步骤的故事。
这篇题为《MAC：一个具有多种归因机制标签的转化率预测基准》的论文，就像是打开了一个终于拥有完整故事的秘密图书馆。作者们——来自阿里巴巴和南京大学的一个团队——创建了一个全新的数据集，名为 MAC。这不仅仅是一份点击列表；它是 7900 万次广告点击的大规模集合，其中记录了归功于销售额的四种不同方式：末次点击（Last-Click）、首次点击（First-Click）、线性归因（Linear，即平均分配功劳），以及一种利用数学方法来计算谁真正做了最多工作的精妙的“数据驱动型（Data-Driven）”方法。他们还构建了一个免费的软件工具箱 PyMAL，以便任何人都能在这个新数据上测试他们的想法。
当他们在这些数据上测试新想法时，他们发现了一些非常迷人的现象。首先，观察整个过程（多重归因学习）能让计算机变得更聪明，尤其是对于那些在购买前经历漫长且曲折路径的人。其次，他们发现仅仅向计算机投喂更多线索并不总是有效。如果你试图预测一次“首次点击”的销售，加入过多的其他类型的线索实际上会干扰模型。事实证明，你必须非常谨慎地选择使用哪些线索。最后，他们构建了一个名为 MoAE（不对称专家混合模型）的新模型。把 MoAE 想象成一个侦探团队，其中一些专家专门负责阅读整个旅程，但有一个严格的老板，确保所有这些额外知识都被专门用于解决核心案件。这个新模型击败了之前所有的冠军，将预测准确度提升了高达 0.39 个百分点。作者们建议，通过使用这种新数据和这些智能设计规则，我们终于可以构建出比以前更理解人类行为的广告系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。