KDD2014_study
23 likes4,340 views
KDD 2014勉強会資料 Modeling delayed feedback in display advertising
More Related Content
What's hot (20)
Viewers also liked (7)
Similar to KDD2014_study (7)
More from 正志 坪坂 (20)
KDD2014_study
- 1. Modeling delayed feedback in display advertising @KDD 2014勉強会 坪坂 正志 [email protected] 2014/9/23 KDD 2014勉強会 1
- 2. 今日紹介する論文 •Modeling delayed feedback in display advertising –Olivier Chapelle (Criteo) •ディスプレイ広告において広告を表示した時のコ ンバージョン率を予測する •ログから学習を行おうとするときにコンバージョ ンの発生には遅れが生じるため実際は正例な のに負例として扱ってしまうという問題が発生す る •このため時間遅れをモデル化したコンバージョン 予測モデルを提案する KDD 2014勉強会 2
- 3. CPA payment modelと コンバージョン率の予測 •広告配信業者は広告主からは1回のコンバージョンにつきいくらという契 約で行う •一方媒体の方に広告を出す際には1インプレッションいくらかという契約 で行う •このため1インプレッションをいくらで買うかを決めるためには1インプレッ ションあたりの広告主からもらえる金額の期待値を計算する必要がある •その期待値は次の式で計算できる –eCPM = CPA × P(click) × P(conversion | click) –P(conversion | click)をモデル化するのが今回の論文のメインテーマ KDD 2014勉強会 3 広告主 媒体 インプレッションい くらで買い取り クリック/コンバージョン 一回につき課金
- 4. コンバージョン予測における課題 •クリック予測においては通常ユーザはインプレッション の後すぐに広告をクリックするかクリックしないかのど ちらかである –このためクリック予測の問題においては通常の回帰問題 として扱える –難しさとしてはインプレッションは一日数十億と膨大でス ケールする機械学習のロジックをいかに作るかが重要と なってくる •コンバージョン予測についてはユーザは広告をクリッ クしてもすぐにコンバージョンするわけではないので通 常の回帰問題として定式化することができない –一方データ数はユーザのクリック数はそこまで多くないの でデータの数はそこまでもない KDD 2014勉強会 4
- 5. 遅れが発生する場合の問題点 •通常のデータを扱うようにクリック後コンバージョンしてい るデータを正例として、していないデータを負例とすると学 習期間中にコンバージョンしていないデータが本当は正例 なのに負例として扱われる KDD 2014勉強会 5 学習期間 click click click conv conv 学習期間中にコンバージョ ンしなかったので負例とし て扱われる コンバージョンしてるので 正例として扱う コンバージョンしてないの で負例として扱う
- 6. 遅れが発生する場合の問題点 •先行研究としてはランダムにラベルが欠損す るという問題設定はいくつか存在する •しかし時間遅れが発生する場合学習期間中 の最近のデータほど誤って正例なのに負例と して扱われるというバイアスが発生してくる •このため時間遅れを扱うようなモデルを作る 必要がある KDD 2014勉強会 6
- 7. コンバージョン遅れについての分析 •実際のデータを見たところクリック後1日以内 にコンバージョンするデータは全体の半分 •13%のデータは2週間後にコンバージョンが発 生している KDD 2014勉強会 7
- 8. 新規キャンペーン •ディスプレイ広告においては常に新しいキャンペーンが 入ってくる •新規キャンペーンのためにも常にモデルを更新する必要 がある –コンバージョンの遅れを考慮してデータが30日貯まるまで待つ という運用ではパフォーマンスに与える影響が大きい KDD 2014勉強会 8
- 9. コンバージョン遅れのモデル •クリック後ユーザがコンバージョンしなかった 場合に二つの場合を考える •1. ユーザはその後コンバージョンしない •2. ユーザはその後コンバージョンするが十分 な時間がたっていない KDD 2014勉強会 9
- 10. コンバージョン遅れのモデル •上の話を定式化すると •X : 特徴量ベクトル •Y : コンバージョンが発生したかどうか •C : クリックしたユーザがコンバージョンするかどうか •D : クリックからコンバージョンにかかる時間 •E : クリック後にかかった時間 •Y=0 C = 0 or E < D •Y=1 => C=1 •ログ上で観測されるのは(풙푖,푦푖,푒푖)の3つ組, 푦푖=1の ときは푑푖,푐푖も観測されている KDD 2014勉強会 10
- 11. コンバージョン遅れのモデル •ユーザがコンバージョンする確率はロジスティック回 帰モデルを使って •푃퐶=1푋=풙=푝풙푖= 11+exp(−풘푐⋅풙) •とする •時間遅れについては平均휆푥の指数分布に従うとす る •푃퐷=푑푋=풙,퐶=1=휆풙exp(−휆풙푑) •ただし휆풙=exp(풘푑⋅풙)>0とする •このモデルでのパラメータは二つの重みベクトル풘푐, 풘푑となる KDD 2014勉強会 11
- 12. モデルからの確率 •観測されているコンバージョンイベントについ ての確率は •푃푌=1,퐷=푑푖푋=푥푖,퐸=푒푖 •=푃퐷=푑푖푋=푥푖,퐶=1푃(퐶=1|푋=푥푖) •=휆푥푖exp−휆푥푖푑푖푝(푥푖) •となる KDD 2014勉強会 12
- 13. モデルからの確率 •コンバージョンが観測されてないイベントについての確率は •푃푌=0푋=푥푖,퐸=푒푖 –=푃푌=0퐶=0,푋=푥푖,퐸=푒푖푃퐶=0푋=푥푖 –+푃푌=0퐶=1,푋=푥푖,퐸=푒푖푃(퐶=1|푋=푥푖) –1−푝푥푖+푝푥푖푃푌=0퐶=1,푋=푥푖,퐸=푒푖 •最後のユーザはコンバージョンするがまだコンバージョンに 至ってないという確率は –푃푌=0퐶=1,푋=푥푖,퐸=푒푖 –=푃퐷>퐸퐶=1,푋=푥푖,퐸=푒푖= 휆푥exp(−휆푥푡)푑푡 ∞ 푒푖 –exp(−휆푥푒푖) KDD 2014勉強会 13
- 14. 最適化について •提案モデルについてはパラメータベクトルの 推定とユーザがコンバージョンするかどうか の観測されない隠れ変数であるCの推定の二 つが必要となっている •こういったときに最適な方法としてEMアルゴリ ズムを用いる –詳細については論文4章を参照 –Eステップで푃(퐶=1|푋=푥푖,푌=푦푖)を計算し –Mステップでパラメータベクトルの最適化を行う KDD 2014勉強会 14
- 15. 関連研究 •Learning classifiers from only positive and unlabeled data, KDD 2008 –正例とラベルがないデータのみあるときの学習について –本研究と違ってラベルなしのデータについてラベルがラン ダムに欠落しているという仮定をおいている –ラベルなしデータについては正例と負例が一定率で混在 しているという定式化 –本研究では時間が経っているデータはネガティブサンプ ルに近い形で扱えるような定式化を行っている •生存時間解析 –生存時間解析においては患者はいずれ死ぬので、本研 究において常にC=1という仮定をおいたのと同じになって いる KDD 2014勉強会 15
- 16. 実験 (Toy example) •データをコンバージョン率を10%, コンバージョンまでにかかる時間 を平均4日の指数分布に従って発生させる •このときコンバージョン率を単純にコンバージョン数をデータの数 で割って推定したものと比較した •本論文での提案手法であるDFM(Delayed feedback model)がより 短期間で真の値に収束している KDD 2014勉強会 16
- 17. コンバージョンの遅れについて •実際のデータを使ってDelayが指数分布に従うかどうかを検証した •正確にはモデルは特徴量ベクトルxの条件つき分布であるがこれを検証 するにはデータ量が少なすぎるのでキャンペーンのみで条件付けを行っ た •また現実のデータは指数分布と違うところもある –24時間での周期性(ユーザがブラウザを使う時間に周期があるため) –短い時間でコンバージョンする率を過少評価して、長い時間でコンバージョン する率を過大評価している KDD 2014勉強会 17
- 18. 比較手法 •NAIVE –学習期間においてコンバージョンしたデータを正例として、そう でないデータを負例としてコンバージョン率を学習する •ORACLE –データの学習期間より先の時間のデータをみてコンバージョン したかどうかを確認して、それも正例として扱う •SHIFTED –訓練データには30日前のものを使ってクリック後コンバージョン したかどうかが正しく分かるようにする •RESCALE –NAIVEと同じであるが推定したコンバージョン率を正例の欠損 率で割ってやる KDD 2014勉強会 18
- 19. 比較手法 •STC (Short term conversion model) –本論文で比較のために作ったヒューリスティックな手法 –1 一日以内にコンバージョンする確率をモデル化 •푃(퐶=1,퐷≤1|푋=푥) –2 一日以内にコンバージョンするデータとすべてのコンバージョ ンについての比率を計算する • 푃(퐶=1,퐷≤1|푋=푥) 푃(퐶=1|푋=푥) =푃(퐷≤1|퐶=1,푋=푥) •1については直近のデータから学習できる •2についてはコンバージョンデータの中から一日以内にコ ンバージョンするかどうかの二値分類モデルとなっている •2については過去ログが必要となるがこの値はある程度ロ バストである KDD 2014勉強会 19
- 20. 実験 •実験においてテストデータは7日間のデータを用いた、この とき学習は過去3週間のデータから毎日行った –データ数は約6M件、詳細については以下のURLで公開されて いる –http://labs.criteo.com/tag/dataset/ •データは二種類用意して、全てのキャンペーンに関するも のとRecentという過去データよりテストデータの方が出現 数が多いキャンペーンに関するもののみのデータを使った •実験の評価にはNLL(Average Negative log-likelihood)を 使った –ROCを使わないのは確率を推定することも重要となっているた め KDD 2014勉強会 20
- 21. 実験結果 •Oracleとの比較を行ったさいに提案手法である DFMが最もOracleとの差分が小さかった •またNAIVEは特にRecentなデータに対して予測 精度が悪い –多くの正例を負例として扱うため KDD 2014勉強会 21
- 22. 結論 •本論文ではコンバージョン率の推定の際にコ ンバージョンの遅れをモデル化した手法を提 案した •推定は単純な勾配法で行え、しかもいくつか のベースラインより高い精度となっている •本手法は広告領域だけではなく他の領域で も使うことのできる汎用的な方法となっている KDD 2014勉強会 22