机构名称：
¥ 1.0
点击转换率（CVR）估计是许多推荐收入业务系统（例如电子商务和广告）的重要任务。从样本的角度来看，典型的CVR阳性sample通常会经过曝光的漏斗→单击→转换。由于缺乏未点击样本的事后标签，CVR学习任务通常仅利用点击样本，而不是所有暴露的样本，即单击率（CTR）学习任务。然而，在在线推断期间，在相同的假定暴露空间上估算了CVR和CTR，这会导致训练和推理之间的样本空间不一致，即样本选择偏置（SSB）。为了减轻SSB，以前的智慧建议设计新颖的辅助任务，以使CVR学习在未单击的培训样本（例如CTCVR和反事实CVR等）上。尽管在某种程度上减轻了SSB，但它们都不关注模拟过程中模棱两可的负样本（未点击）和事实负面样本（单击但未转换）之间的歧视，这使得CVR模型缺乏健壮性。为了充分的差距，我们提出了一个新颖的合唱模型，以实现整个空间中的CVR学习。我们提出了一个负面样本差异模块（NDM），该模块旨在提供可靠的软标签，并具有将事实负面样本（单击但未转换）与模棱两可的负面样本（未敲击）区分开的能力。此外，我们提出了一个软对准模块（SAM），以使用生成的软标签的几个对齐目标来监督CVR学习。在Kuaishou的电子商务实时服务上进行了广泛的离线实验和在线A/B测试，验证了我们ChorusCVR的功效。
由于空间磁场而引起的加速度噪声
主要关键词
相关文件推荐
