ESMC: Entire Space Multi-Task Model for Post-Click Conversion Rate via Parameter Constraint

要約

大規模なオンライン推奨システムはインターネット全体に広がり、クリックスルー率 (CTR) とクリック後コンバージョン率 (CVR) の推定という 2 つの基本タスクを担当します。
ただし、従来の CVR 推定ツールは、よく知られているサンプル選択バイアスとデータ スパース性の問題に悩まされています。
「exposure_click_purchase」の意思決定パスを追跡することで 2 つの問題に対処するために、空間全体のモデルが提案されました。
さらに、一部の研究者は、クリックと購入の間に購入関連の行動があり、これによりユーザーの意思決定の意図がより適切に引き出され、レコメンデーションのパフォーマンスが向上する可能性があることを観察しました。
したがって、意思決定パスは「exposure_click_in-shop action_purchase」まで拡張され、条件付き確率アプローチでモデル化できます。
それにもかかわらず、条件付き確率の連鎖則が常に成り立つわけではないことがわかります。
確率空間混乱 (PSC) 問題を報告し、グラウンドトゥルースと推定の間の差異を数学的に導き出します。
我々は、パラメータ制約によるクリック後のコンバージョン率のための新しい全空間マルチタスク モデル (ESMC) と 2 つの代替案を提案します: シャム ネットワークを使用した全空間マルチタスク モデル (ESMS) とグローバル ドメインの全空間マルチタスク モデル (ESMG)
) PSC の問題に対処します。
具体的には、インショップアクションの特性を踏まえ、「exposure_click_in-shopアクション」と「in-shopアクション_purchase」を分けて扱います。
最初のパスは引き続き条件付き確率で処理されますが、2 番目のパスはパラメータ制約戦略で処理されます。
大規模なレコメンデーション システムにおけるオフラインとオンラインの両方の環境での実験により、最先端のモデルに対する私たちの提案手法の優位性が実証されました。
現実世界のデータセットが公開されます。

要約(オリジナル)

Large-scale online recommender system spreads all over the Internet being in charge of two basic tasks: Click-Through Rate (CTR) and Post-Click Conversion Rate (CVR) estimations. However, traditional CVR estimators suffer from well-known Sample Selection Bias and Data Sparsity issues. Entire space models were proposed to address the two issues via tracing the decision-making path of ‘exposure_click_purchase’. Further, some researchers observed that there are purchase-related behaviors between click and purchase, which can better draw the user’s decision-making intention and improve the recommendation performance. Thus, the decision-making path has been extended to ‘exposure_click_in-shop action_purchase’ and can be modeled with conditional probability approach. Nevertheless, we observe that the chain rule of conditional probability does not always hold. We report Probability Space Confusion (PSC) issue and give a derivation of difference between ground-truth and estimation mathematically. We propose a novel Entire Space Multi-Task Model for Post-Click Conversion Rate via Parameter Constraint (ESMC) and two alternatives: Entire Space Multi-Task Model with Siamese Network (ESMS) and Entire Space Multi-Task Model in Global Domain (ESMG) to address the PSC issue. Specifically, we handle ‘exposure_click_in-shop action’ and ‘in-shop action_purchase’ separately in the light of characteristics of in-shop action. The first path is still treated with conditional probability while the second one is treated with parameter constraint strategy. Experiments on both offline and online environments in a large-scale recommendation system illustrate the superiority of our proposed methods over state-of-the-art models. The real-world datasets will be released.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google