从点击率到交易：Avito 如何构建机器学习变现模型

这篇文章由Avito的代理数据科学经理Alina Babenko撰写，描述了公司团队如何为搜索和推荐构建货币化模型。核心任务是估计用户与列表互动带来的预期收入，并将其纳入排名中。主要指标是收入增长，但团队必须在收入增长与用户搜索质量之间取得平衡。他们使用了三种类型的模型：CTR模型预测点击概率，CVR模型估计点击后发生目标行为的几率，以及一个校正模型，根据流量质量调整出价。为了保持平均每次点击成本稳定，他们采用了查询交叉熵损失。在评估排名质量时，他们使用分层ROC-AUC而非全局ROC-AUC，因为用户会在单个查询中比较列表。校准度则通过RIG指标评估。他们面临归因问题，使用最后点击、首次点击或多触点归因方法，并正在探索对早期点击赋予较小权重。为了应对位置偏差，他们采用了三个CatBoost模型或逆倾向加权。此外，他们正在从CatBoost转向深度学习，这已经在CTR预测质量上显示出更好的效果，但指出建模交易比点击更复杂，因为用户旅程更长。