论文 A Practical Framework of Conversion Rate Prediction for Online Display Advertising
定期更新,获取更多,欢迎star。
一、论文基本描述。本论文基于Yahoo! BrightRoll （Oath）雅虎的RTB(视频)买方平台（DSP）。 由于CPA成为主流出价方式，所以转化率预估变成了关键的问题。
难点：
转化数据非常稀疏。（extremely sparse conversions）
数据延迟回传。(delay feedback)
和第三方平台归因差异。（attribution gaps between the platform and the third party）
过度预估导致的过度出价是CPA广告在真实RTB环境下的核心挑战。（we first show that over-prediction and the resulted over-bidding are fundamental challenges for CPA campaigns in a real RTB environment） 本文提出了一个安全预测框架，其中包含归因调整【基于PC的场景】，以及处理过度预测并进一步缓解不同级别的过度竞价。 二、评价指标。eCPA: effective cost per action or acquisition.[每次操作和获取的有效成本]
eCPA=sum(cost)/sum(action)eCPA=sum(cost)/sum(action) :表示的广告主实际为每个转化库存花费的成本。
eCPC=λ∗Gcpc∗sum(pCTR)/sum(CTR)(0<λ<1)eCPC=λ∗Gcpc∗sum(pCTR)/sum(CTR)(0<λ<1)
eCPA=λ∗Gcpa∗sum(pCVR)/sum(CVR)(0<λ<1)eCPA=λ∗Gcpa∗sum(pCVR)/sum(CVR)(0<λ<1)
三、解决方法，思想。 CPA出价的好处： 1. 直接关系到广告主的投资回报率（ROI）。 2. 受在线作弊的影响比较小。 挑战归因问题： DSP方是在一个时间窗口（predefined time window）内，把追踪到的转化都算作自己平台的转化（local attribution）,而最后的转化是按照第三方平台归因的转化。
和CTR比较问题。表面上看CVR是CTR问题的自然延伸，因此CVR的文献也较少。但是，转化要求用户的参与度远高于点击，因此，用户的行为特征是更加重要的。 面临的挑战：
转化稀疏，通常比CTR小几个数量级。导致的问题是CVR过度的预测与广告主实际的eCPA差距很大。
数据延迟回传。这样导致两个问题：
转化模型需要预测将来一段时间发生的事情
基于非延迟数据的算法基本就不太适用。
本地和全局归因：有时候会导致差异巨大【?业务经验】
展示值区别。这个是由于广告在竞价的时候通常采用广义第二高价，这和CPC计费可以直接用CTR预估不同，CPA不能直接用CVR描述，还会受到其他因素影响有关系。
过度预估过度预估的问题:可能导致获取大量的低质流量，预算消耗过快的问题。【解决这个问题成为本文的最高优先级的事情】