Capturing Conversion Rate Fluctuation during Sales Promotions: A Novel Historical Data Reuse Approach

要約

コンバージョン率 (CVR) 予測は、オンライン レコメンダー システムの中核コンポーネントの 1 つであり、正確で適切に調整された CVR 予測を取得するためにさまざまなアプローチが提案されています。
ただし、十分にトレーニングされた CVR 予測モデルは、販売促進中は最適に機能しないことがよくあります。
これは、従来の手法が通用しなくなったデータ流通シフトの問題が大きく原因と考えられます。
この目的を達成するために、私たちは CVR 予測のための代替モデリング技術の開発を目指しています。
さまざまなプロモーションで同様の購入パターンを観察し、過去のプロモーション データを再利用してプロモーションのコンバージョン パターンを把握することを提案します。
ここでは、最初に歴史的に類似したプロモーション データを取得し、次に CVR 予測モデルを微調整する新しい \textbf{H}istorical \textbf{D}ata \textbf{R}euse (\textbf{HDR}) アプローチを提案します
プロモーション モードへの適応を改善するためにデータを取得しました。
HDR は 3 つのコンポーネントで構成されます。過去のプロモーションから類似のデータを検索する自動データ取得モジュール、ターゲットのプロモーションとよりよく一致させるために取得したデータを再重み付けする分布シフト修正モジュール、および元のプロモーションを迅速に微調整する TransBlock モジュールです。
プロモーション モードへの適応を高めるためのモデル。
実世界のデータを使用して実施された実験では、ランキングとキャリブレーションのメトリクスの両方が大幅に改善されるため、HDR の有効性が実証されています。
HDR はアリババのディスプレイ広告システムにも導入され、2022 年のダブル 11 セール中に RPM が $9\%$、CVR が $16\%$ 向上しました。

要約(オリジナル)

Conversion rate (CVR) prediction is one of the core components in online recommender systems, and various approaches have been proposed to obtain accurate and well-calibrated CVR estimation. However, we observe that a well-trained CVR prediction model often performs sub-optimally during sales promotions. This can be largely ascribed to the problem of the data distribution shift, in which the conventional methods no longer work. To this end, we seek to develop alternative modeling techniques for CVR prediction. Observing similar purchase patterns across different promotions, we propose reusing the historical promotion data to capture the promotional conversion patterns. Herein, we propose a novel \textbf{H}istorical \textbf{D}ata \textbf{R}euse (\textbf{HDR}) approach that first retrieves historically similar promotion data and then fine-tunes the CVR prediction model with the acquired data for better adaptation to the promotion mode. HDR consists of three components: an automated data retrieval module that seeks similar data from historical promotions, a distribution shift correction module that re-weights the retrieved data for better aligning with the target promotion, and a TransBlock module that quickly fine-tunes the original model for better adaptation to the promotion mode. Experiments conducted with real-world data demonstrate the effectiveness of HDR, as it improves both ranking and calibration metrics to a large extent. HDR has also been deployed on the display advertising system in Alibaba, bringing a lift of $9\%$ RPM and $16\%$ CVR during Double 11 Sales in 2022.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google