小米电商推荐算法CVR模型实践，全空间延迟跨任务多目标蒸馏模型（ESDC）

小米电商算法团队分享，本文节选自DataFun公众号

在电商推荐领域，以成交为最终目标，但用户成交转化一般需要经过曝光->点击->购买三个环节，不仅存在先后顺序关系，也蕴含着因果关系。算法根据业务需要，在 GMV 主目标之外，通常还要兼顾 IPV、转化率、人均订单数等多个次目标。现在的电商推荐系统通常都要对 CTR（从曝光到点击的概率）、CVR（从点击到购买的概率）、CTCVR（从曝光到购买的概率）分别建模计算预估值，作为最终排序公式的一个因子，或者更复杂地，作为最终 online learning 多目标 LTR 模型的一个特征。

之前的多任务模型多关注于任务表征之间的迁移，而忽略了多任务之间目标知识的传递，我们针对电商场景下多目标建模的四大问题（样本选择偏差、数据稀疏、延迟反馈、知识一致性），结合因果推断、跨任务蒸馏、孪生网络、不确定度衡量等技术，提出全空间延迟跨任务多目标蒸馏模型（ESDC），该模型上线后，相比于base模型（PLE+ESMM），首页信息流推荐场景GMV提升15%。

参考文献

[1] ESCM^2 : Entire Space Counterfactual Multi-Task Model for Post-Click Conversion Rate Estimation

[2] Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations

[3] Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction

[4] Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate

[5] UKD: Debiasing Conversion Rate Estimation via Uncertainty-regularized Knowledge Distillation

原文阅读

小米电商推荐算法CVR模型实践

WWW 2022 | 搜索广告CVR延迟反馈建模DEFUSE

内容中包含的图片若涉及版权问题，请及时与我们联系删除

小米电商推荐算法CVR模型实践，全空间延迟跨任务多目标蒸馏模型（ESDC）

评论