ESMM高效转换率估计算法介绍

I_belong_to_jesus

已于 2022-01-25 10:55:44 修改

阅读量550

点赞数 3

分类专栏：推荐算法文章标签：算法机器学习深度学习

于 2022-01-24 18:09:01 首次发布

本文链接：https://blog.csdn.net/fangfanglovezhou/article/details/122660104

版权

推荐算法专栏收录该内容

14 篇文章 5 订阅

订阅专栏

一些基本概念和方法提出

点击转换率（post-click conversion rate(CVR)）估计在推荐和广告系统有着广泛的应用。CVR估计的一个重要应用是在广告系统中，其目标是最大化每次点击消费（optimized cost-per-click），通过调整每次点击的竞价来获得平台和广告商的双赢。同样在推荐系统中，也是平衡用户的点击偏好和消费偏好的重要因素。

以电商系统为例，对于展示的商品（items），用户的行为遵循如下的顺序：impression -> click -> conversion，CVR估计基于后验CTR估计（即已发生点击行为的条件下对于转换率的估计）（post-click conversion rate）:

$pCVR = p(conversion | click, impression)$

目前CVR估计存在的问题：

1）采样偏置（sample selection bias (SSB)）问题，CVR训练样本是所有有点击行为的样本，而实际预测的是全量数据；

2）数据稀疏（data sparsity(DS)）问题，训练CVR模型的数据要远小于CTR模型，CVR模型的拟合难度更大。

常用术语：

CVR（click-conversion rate）：点击转换率，即用户点击的条件下消费的概率；

CTR（click-through rate）:点击通过率，即用户点击的概率；

CTCVR（click-through&conversion rate）：点击通过且转换概率，即用户点击了且消费的概率；

具体方法介绍

基本概念

观测数据集合 $\boldsymbol {S} = \{ (\textbf{x}_i,y_i \rightarrow z_i)) \}_{i=1}^N$ ，采样数据为： $(\textbf{x}, y \rightarrow z))$ ，那么后验click CVR 模型是估计概率： $pCVR = p(z=1|y=1,\boldsymbol{x})$ ，CTR的概率可以表示为 $pCTR= p(y=1|\boldsymbol{x})$ ，CTCVR的概率可以表示为 $pCTCVR = p(y=1, z=1 | \boldsymbol{x})$ ，满足如下关系：

（1）

ESMM模型

结构如上图，ESMM很好的利用了用户行为的序列模式（sequential pattern），ESMM模型引入CTR和CTCVR两个辅助任务，利用全量的样本进行训练，消除了之前的两点问题（SSB和DS）。对于一个样本，ESMM同时输出了pCTR、pCVR和pCTCVR，其由两个子网络构成：CVR网络和CTR网络，两个子网络与基础模型具有相同的网络结构。pCTCVR取CVR子网络和CTR子网络输出的乘积，与之前模型比较ESMM有如下优势：

ESMM模型在整个样本空间进行训练（包括所有的样本商品（没点过的、点过没消费过的以及消费过的）），可以解决SSB问题。pCVR只是一个中间变量在等式（1）中被限制，pCTR和pCTCVR是ESMM在整个样本空间要估计的（pCVR对应的样本空间是点击过的样本）。loss函数包括两部分：CTR损失函数和CTCVR损失函数，但不包括CVR任务的损失函数，整个训练任务的损失函数为