SIGIR2022|阿里菜鸟网络提出CTnoCVR优化低点击率高转化率预估

CTnoCVR: A Novelty Auxiliary Task Making the Lower-CTR-Higher-CVR Upper

Dandan Zhang, Haotian Wu, Guanqi Zeng, Yao Yang, Weijiang Qiu, Yujie Chen, Haoyuan Hu

Zhejiang Lab, Beijing Jiaotong University, Cainiao Network, China Electric Power Research Institute

https://dl.acm.org/doi/pdf/10.1145/3477495.3531843

近年来，推荐系统中，基于深度学习的多任务学习模型吸引了越来越多工业界和学术界学者的关注。

推荐系统中，多任务学习的主要任务就是精准的预估点击后转化率。但是一些广告主尝试过度美化广告以至于带来高点击率，进而曝光了更多的低转化率的样本。比如，一些只能吸引眼球的点击诱导只能具有高点击率，但实际上，转化率非常低。这可能会导致一个后果，即推荐系统的整体效果会有所折损。

这篇文章中，作者们提出一种新的辅助任务，CTnoCVR，旨在预估有点击但无转化的事件，进而在多个STOA多任务推荐系统模型中，促成高转化但低点击的样本。

在淘宝推荐系统日志中收集的大规模数据集上的丰富实验表明，CTnoCVR任务可以显著提升多任务框架中cvr的预估效果。此外，作者们还进行了线上测试和评估，作者们所提方法可以将高cvr低ctr的样本排序更靠前。

作者们对label是否有效的定义如下

任务构建的数学表示如下
<