arXiv cs.AI· Jinqi Wu, Sishuo Chen, Zhangming Chan, Yong Bai, Lei Zhang, Sheng Chen, Chenghuan Hou, Xiang-Rong Sheng, Han Zhu, Jian Xu, Bo Zheng, Chaoyou Fu·· 1 天前AI 评分22
MAC：首个提供多归因机制标签的 CVR 预测基准发布
MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
AI 导读
研究团队发布 MAC，首个包含多种归因机制转化标签的公开 CVR 预测数据集，并开源覆盖多种基线方法的 PyMAL 库。实验显示多归因学习在不同归因设置下均带来稳定性能提升，尤其利好转化路径长的用户；但预测首次点击转化目标时，简单增加辅助目标反而有害。基于此提出的 MoAE 方法在 MAC 上显著超越现有 SOTA 多归因学习方法。
正文 · AI 翻译
作者：Jinqi Wu、Sishuo Chen、Zhangming Chan、Yong Bai、Lei Zhang、Sheng Chen、Chenghuan Hou、Xiang-Rong Sheng、Han Zhu、Jian Xu、Bo Zheng、Chaoyou Fu
摘要：多归因学习（MAL）通过从多种归因机制产生的转化标签中学习来提升模型性能，已成为转化率（CVR）预测中一种颇具前景的学习范式。然而，公开 CVR 数据集中的转化标签由单一归因机制生成，阻碍了 MAL 方法的发展。
为填补这一数据空白，我们构建了多归因基准（MAC），这是首个包含多种归因机制标签的公开 CVR 数据集。此外，为促进 MAL 的可复现研究，我们开发了 PyMAL，一个覆盖多种基线方法的开源库。我们在 MAC 上开展了全面的实验分析，并得出三点关键发现：（1）MAL 在不同归因设置下均能带来一致的性能提升，尤其对具有长转化路径的用户而言。（2）在大多数设置下，性能提升随目标复杂度而扩大；然而，在预测首次点击转化目标时，简单添加辅助目标反而适得其反，凸显了审慎选择辅助目标的必要性。（3）两条架构设计原则至关重要：第一，充分学习多归因知识；第二，充分利用该知识服务主任务。受这些发现启发，我们提出了非对称专家混合（MoAE），一种有效的 MAL 方法，融合了多归因知识学习与以主任务为中心的知识利用。在 MAC 上的实验表明，MoAE 显著超越了现有的最先进 MAL 方法。我们相信，我们的基准与洞见将推动 MAL 领域的未来研究。我们的 MAC 基准与 PyMAL 算法库已公开于 此 https URL。
| 评论： | 11 页，5 幅图。已更新为发表于 KDD 2026 会议录的最终版。代码与数据见 此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2603.02184 [cs.LG] |
| （或 arXiv:2603.02184v3 [cs.LG] 为本版本） | |
| https://doi.org/10.48550/arXiv.2603.02184 arXiv 颁发的 DOI（经 DataCite） |
|
| 期刊 参考： | Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), pp. 10009-10019, 2026 |
| 相关 DOI： | https://doi.org/10.1145/3770855.3817488
链接至相关资源的 DOI |
提交历史
来自：Jinqi Wu [查看邮箱]
[v1]
2026 年 3 月 2 日周一 18:51:01 UTC（599 KB）
[v2]
2026 年 8 月 7 日周五 03:38:17 UTC（698 KB）
[v3]
2026 年 11 月 12 日周四 05:53:30 UTC（693 KB）
来源：arXiv cs.AI · arxiv.org