В одном из прошлых постов я рассказывала про наши приключения по пути до KDD'26 😀 А сегодня делюсь подборкой статей с конференции. Думаю, они будут полезны для решения задач, связанных с обучением CTR/CR и моделей для монетизации.
📌 Статья про корректировку ставки с учётом ценности выдачи. Авторы рассматривают изменение ставки CPC продавцов, которые платят за клик, в зависимости от конверсии выдачи в контакт. При этом эта доп. корректировка в среднем должна сходиться к 1, чтобы продавец не рассматривал это как повышение цен.
Авторы обучают модель CR — конверсия из клика в контакт, ссылаясь на другую статью, а потом просто делят на среднее значение этой модели по всем кликам одного SKU. Если данных мало, то можно взять средний CR внутри категории для повышения стабильности.
🤓 Почему полезно: это чисто наша постановка модели Bid Correction! Они буквально описывают проблемы, с которыми мы сталкиваемся, например, проблему холодного старта.
Да и в целом статей про Bid Correction немного, так что, возможно, когда-нибудь и мы напишем свой текст по результатам разработок 😀
Dynamic Bidding for Sponsored Products: Value-Based Bid Scaling with Per-SKU Normalization
📌 Текст про подход к обучению CTR, в котором учитывают влияние позиции на скоры модели. Конверсия из показа в клик зависит от позиции. При этом на этапе инференса позиция ещё не известна.
Предлагается добавить к базовой CTR-модели головы, которые будут предсказывать скоры для бакетов позиций: например, одна голова для первой позиции, другая — для 2-5, третья — для 6-10, и т.д.
На этапе обучения мы используем лосс только с той головы, которая фактически была в обучении, но зато на inference мы можем использовать уже все предсказания.
🤓 Почему полезно: это интересный подход к решению positional bias для CTR-моделей. Мы сейчас также исследуем разные способы вычитания эффекта позиции, и этот способ тоже стоит попробовать!
CADET: Context-Conditioned Ads CTR Prediction With a Decoder-Only Transformer
📌 Статья, которая предлагает единый подход для объяснения, почему меняются бизнес-метрики.
Обычная декомпозиция метрик быстрая и понятная, но может неверно распределять вклад факторов, если метрики зависят друг от друга.
Полноценные каузальные модели, наоборот, учитывают такие зависимости, но требуют больше данных, вычислений и иногда оценивают не совсем тот вклад, который нужен на практике.
Авторы предлагают добавлять в дерево метрик только необходимые причинные связи. И использовать причинный порядок изменений вместо симметричного усреднения Shapley, сохраняя при этом интерпретируемость, скорость и одновременно повышая корректность атрибуции.
🤓 Почему полезно: мы думаем не только о том, чтобы обучить как можно более качественные модели, но ещё и хотим на этапе офлайн-обучения принимать качественные решения про влияние на бизнес-метрики.
Такие статьи предлагают подходы для построения развитого дерева метрик на более ранних этапах и ускорения итераций.
A Unified Approach to Interpretable Causal Root Cause Attribution
Делитесь своими статейными находками последних дней ❤️