Порівняльний аналіз MLP та DFSN для прогнозування затриманих конверсій

В. І. Кудак; А. С. Вощепинець

doi:10.24144/2616-7700.2026.49(2).205-211

Автор(и)

В. І. Кудак ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0009-0008-1686-4686
А. С. Вощепинець ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0000-0001-8307-781X

DOI:

https://doi.org/10.24144/2616-7700.2026.49(2).205-211

Ключові слова:

MLP, DFSN, delayed feedback, нейронні мережі

Анотація

У роботi розглянуто проблему прогнозування в умовах затриманого зворотного зв’язку, що призводить до змiщення навчальних мiток у часi та деградацiї якостi прогнозу класичних моделей машинного навчання. Особливу увагу придiлено проблемi label delay bias, яка виникає через те, що на момент формування навчальної вибiрки частина позитивних подiй ще не вiдбулася або не була зафiксована. У роботi було проведено порiвняння якостi прогнозу двох моделей: багатошарового перцептрона (Multilayer Perceptron, MLP) та Delayed Feedback Satellite Networks (DFSN), яка поєднує основну нейронну мережу з сателiтними компонентами для врахування частково доступних даних.

Експерименти проведено на реальному промисловому наборi даних Criteo, що характеризується високою розмiрнiстю ознак, розрiдженiстю та значним дисбалансом класiв. Числовi ознаки були стандартизованi, категорiальнi — закодованi та представленi у виглядi векторних представлень.

Оцiнювання моделей здiйснювалося використовуючи метрику ROC-AUC. Результати показали, що DFSN суттєво перевершує класичний MLP у задачах iз затриманими мiтками, забезпечуючи меншу чутливiсть до неповноти мiток на раннiх етапах навчання та вищу якiсть прогнозування.

Спонсор дослідження

Дослiдження було проведено без фiнансової пiдтримки.

Біографії авторів

В. І. Кудак, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспiрант кафедри системного аналiзу та теорiї оптимiзацiї

А. С. Вощепинець, ДВНЗ «Ужгородський нацiональний унiверситет»

Доцент кафедри системного аналiзу та теорiї оптимiзацiї. Канд. фiз.-мат. наук

Посилання

Kohavi, R., Tang, D., & Xu, Y. (2020). Trustworthy online controlled experiments: A practical guide to A/B testing. Cambridge University Press. https://doi.org/10.1017/9781108653985
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010
Li, H., Pan, F., Ao, X., Yang, Z., Lu, M., Pan, J., Liu, D., Xiao, L., & He, Q. (2021). Follow the prophet: Accurate online conversion rate prediction in the face of delayed feedback. In Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’21). (pp. 1902–1911). Association for Computing Machinery. https://doi.org/10.1145/3404835.3463045
Li, X., Chen, S., Xv, G., Zhang, L., Luo, M., Chan, Z., Sheng, X.-R., Zhu, H., Xu, J., & Lin, C. (2026). Delayed feedback modeling for post-click gross merchandise volume prediction: Benchmark, insights and approaches. arXiv. https://doi.org/10.1145/3774904.379234
Yang, J.-Q., & Zhan, D.-C. (2022). Generalized delayed feedback model with post-click information in recommender systems. In Advances in Neural Information Processing Systems (NeurIPS 2022). https://doi.org/10.48550/arXiv.2206.00407
Chapelle, O. (2014). Modeling delayed feedback in display advertising. In Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’14). (pp. 1097–1105). Association for Computing Machinery. https://doi.org/10.1145/2623330.2623634
Bengio, Y., Courville, A., & Goodfellow, I. (2016). Deep Learning. MIT Press.
Liu, Q., Li, H., Ao, X., Guo, Y., Dong, Z., Zhang, R., Chen, Q., Tong, J., & He, Q. (2023). Online conversion rate prediction via neural satellite networks in delayed feedback advertising. In Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’23). (pp. 1406–1415). Association for Computing Machinery. https://doi.org/10.1145/3539618.3591747
McMahan, H. B., Holt, G., Sculley, D., Young, M., Ebner, D., Grady, J., Nie, L., Phillips, T., Davydov, E., Golovin, D., Chikkerur, S., Liu, D., Wattenberg, M., Hrafnkelsson, A. M., Boulos, T., & Kubica, J. (2013). Ad click prediction: A view from the trenches. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’13). (pp. 1222–1230). Association for Computing Machinery. https://doi.org/10.1145/2487575.2488200
Cheng, H.-T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., Anderson, G., Corrado, G., Chai, W., Ispir, M., Anil, R., Haque, Z., Hong, L., Jain, V., Liu, X., & Shah, H. (2016). Wide & Deep Learning for Recommender Systems. In DLRS 2016: Workshop on Deep Learning for Recommender Systems. ACM. https://doi.org/10.1145/2988450.2988454
Li, L., Chu, W., Langford, J., & Schapire, R. E. (2010). A contextual-bandit approach to personalized news article recommendation. In Proceedings of the 19th International Conference on World Wide Web (WWW ’10). (pp. 661–670). Association for Computing Machinery. https://doi.org/10.1145/1772690.1772758