关注我们，一起学习

标题：Contrastive Learning for Conversion Rate Prediction

地址：https://arxiv.org/pdf/2307.05974.pdf

代码：https://github.com/DongRuiHust/CL4CVR

会议：SIGIR 2023

公司：阿里

1.导读

• 基于对比学习的思想，作者采用embedding mask（EM），而不是特征mask，通过mask来创建视图，从而构建对比学习任务。
• 提出了一个false negative eliminate（FNE）组件来消除与锚点样本具有相同特征的样本，以说明用户行为数据中的自然属性。
• 提出监督正样本包含（SPI）组件，为每个锚样本包含额外的正样本，以充分利用稀疏但宝贵的用户转化事件。

2.方法

2.1 embedding mask（EM）

2.2 编码器和对比损失

2.3 False Negative Eliminate

2.4 有监督正样本包含(SPI)

2.5 损失函数

3.结果

4.总结

• 采用emb mask而不是特征mask, 特征的emb中的元素进行mask 得到增广后的样本进行对比学习
• 假阴性样本排除, 由于用户行为存在不确定性, 同一用户点击了同一item也不一定每次都会转化, 而这类样本如果直接用到对比学习中则会影响表征的学习, 因此需要去掉
• 额外正样本的补充, 使用同样转化的样本作为当前转化的锚点样本的正样本补充