TWICE: 온라인 광고에서의 장기 예측을 위한 이중 시간, 이중 창 학습

TWICE: Two-Clock, Two-Window Learning for Long-Horizon Conversion Prediction in Online Advertising

온라인 광고에서 지연된 피드백 환경에서의 장기 변환 예측은 이중 시간, 이중 창 학습 문제를 야기합니다. 짧은 기준 관측 윈도우는 클릭 이벤트가 발생한 즉시 클릭 데이터를 제공하지만, 실제 변환은 더 긴 목표 변환 윈도우 동안 계속해서 발생합니다. 클릭 이벤트 기록은 시의적절하지만 불완전한 상태 정보를 제공하는 반면, 변환 이벤트 기록은 장기적인 지연을 보여줍니다. 하지만, 특정 시간대에 발생하는 변환 데이터는 과거의 클릭 이벤트 그룹에 따라 다른 트래픽 양과 목표 변환율을 가집니다. 본 논문에서는 TWICE라는 프레임워크를 제안합니다. TWICE는 장기적인 포스트-클릭 변환율(CVR)을 목표 변환 확률과 시간 경과에 따른 누적 분포 함수(CDF)로 분해하여 모델링합니다. 두 가지 유형의 기록은 서로 보완적인 정보를 제공합니다. 클릭 이벤트 기록은 기준 관측 윈도우 내에서의 현재 상태를 기반으로 목표 변환율을 학습하는 데 사용됩니다. 새로 발생한 변환 이벤트는 변환 이벤트 기록에서 지연 모델을 학습하는 데 활용됩니다. 또한, TWICE는 각 그룹의 특성을 고려하기 위해, 도착 시간에 따른 확률을 계산할 때 미리 예측된 CVR 값을 사용하여 각 그룹의 노출량을 조절합니다. 이렇게 생성된 통합 데이터는 독립적이며, 하나의 학습된 CDF를 통해 목표 변환 윈도우까지의 모든 요청에 대해 단조적인 예측 결과를 제공합니다. TWICE는 과거 데이터를 참조하거나 컨볼루션을 수행할 필요 없이 실시간으로 서비스를 제공할 수 있습니다. 공개 벤치마크 및 산업용 광고 데이터셋에서의 실험 결과, TWICE가 효과적임을 입증했습니다. 실제로 Kwai의 광고 시스템에서 진행된 온라인 A/B 테스트에서 TWICE는 예상 수익, 실제 수익, 그리고 변환 수를 각각 2.486%, 1.858%, 2.061% 증가시켰습니다. 이후 TWICE는 전체 트래픽에 적용되었습니다.

Long-horizon conversion prediction under delayed feedback creates a two-clock, two-window learning problem in online advertising. A short base observation window releases recent clicks on the click clock before their outcomes mature, whereas conversions continue to arrive on the conversion clock throughout a longer target conversion window. The click clock provides timely but partially observed status supervision. The conversion clock reveals long-tail delays, but the delay composition within an arrival-time slice is weighted by historical click cohorts with different traffic volumes and target-window conversion rates. We present TWICE, a framework that factorizes long-horizon post-click conversion rate (CVR) into a target-window conversion probability and a grouped elapsed-delay cumulative distribution function (CDF). The two clocks provide complementary supervision. Click-clock records train the target-window CVR head through a current-status likelihood over the base observation window. Newly arrived conversions train the delay model on the conversion clock. To account for the cohort mixture, TWICE uses fixed click-time predicted CVR (pCVR) mass as cohort exposure in an arrival-conditioned likelihood. This accounts for differences in cohort traffic and conversion propensity. The resulting aggregate records are self-contained. A single learned CDF produces monotone predictions for all requested horizons up to the target conversion window. Serving requires neither historical lookup nor convolution. Experiments on a public benchmark and an industrial advertising dataset demonstrate the effectiveness of TWICE. In an online A/B test in Kwai's advertising system, TWICE increased expected revenue, revenue, and conversions by 2.486%, 1.858%, and 2.061%, respectively. It was subsequently deployed to full traffic.