雅虎联合阿里提出转化率预估实用框架并用于在线展示广告

A Practical Framework of Conversion Rate Prediction for Online Display Advertising

Quan Lu, Shengjun Pan, Liang Wang, Junwei Pan, Fengdan Wan, Hongxia Yang

Yahoo! Inc, Alibaba Group

http://papers.adkdd.org/2017/papers/adkdd17-lu-practical.pdf

每行动成本，CPA，或者获客成本，在在线广告中已经成为主要的营销业绩目标。

如此一来，准确的转化率预估在实时竞价平台中至关重要。但是，转化率预估由于多种因素的影响，比较有挑战性。转化率预估的影响因素有非常稀疏的转化，时延反馈，平台以及三方平台的归因gap等。

为了应对这些挑战，作者们提出一种实用框架，已经部署在雅虎的BrightRoll中，这是最大的RTB广告购买平台之一。这篇文章首先给出，在真实RTB环境中，转化率预估过高会导致出价过高，这在cpa广告中是一种主要的挑战。

然后，作者们提出一种保险的预测框架，利用转化归因调整来处理转化率预测过高的问题，进而在不同层面来缓解出价过高的问题。

最终，作者们利用离线和在线实验结果表明了该框架的有效性。

转化率预估具有以下挑战

cvr预估跟ctr的不同在于，没有下界，进而会导致cpa可能无限大，这会带来效果无法保障。

转化率预估的减法和加法范式图示及简介如下

树演化图示如下

数据驱动的树以及基于gbdt的构造方式图示如下

再上一层的集成预测方式有以下三种

这三种方法的效果对比如下

作者们将问题转化为约束优化问题

转化率跟小时关系比较密切，转化率随小时的转化趋势图示如下

算法伪代码如下

构建数据驱动树时，作者们采用了以下做法

未调整前的预估cvr与真实cvr对比图如下

先前效果如果不反馈，预估偏差随时间推移会变大

线上效果如下

完全观测转化，预估转化及部分观测转化对比如下

经验预估以及所提方法的mape对比如下

我是分割线