في خطوة جريئة نحو تحسين تقنيات توقعات معدلات التحويل (Conversion Rate Prediction)، قدم الباحثون مجموعة بيانات جديدة تُعرف باسم MAC، تُعد الأولى من نوعها في العالم، حيث تجمع بين تسميات مستندة إلى آليات متعددة من التخصيص.

تستخدم تقنيات التعلم متعددة العوامل (Multi-Attribution Learning - MAL) لتحسين أداء النماذج عبر التعلم من تسميات التحويل الناتجة عن عدة آليات، لكن كانت المجموعة السابقة من بيانات تحويل المعدلات تعتمد على آلية واحدة فقط، مما أعاق تطوير استراتيجيات التعلم المتقدمة.

وبغرض سد هذه الفجوة البياناتية، تم إنشاء مجموعة بيانات MAC التي تُعتبر ثورة حقيقية في هذا المجال. ولتعزيز الأبحاث القابلة للتكرار في MAL، تم تطوير مكتبة PyMAL مفتوحة المصدر، التي تغطي مجموعة واسعة من الأساليب الأساسية.

أظهرت التحليلات التجريبية الشاملة على مجموعة بيانات MAC ثلاث رؤى رئيسية:
1. يقدم MAL تحسينات مستمرة في الأداء عبر إعدادات مختلفة من التخصيص، خاصة بالنسبة للمستخدمين الذين يعرضون مسارات تحويل طويلة.
2. النمو في الأداء يتناسب مع تعقيد الأهداف في معظم الإعدادات؛ ومع ذلك، عند توقع أهداف التحويل في أول نقرة، فإن إضافة أهداف مساعدة عشوائية تؤدي إلى نتائج عكسية، مما يعكس ضرورة اختيار أهداف مساعدة بعناية.
3. هناك مبدآن تصميميان أساسيان: الأول هو التعلم الكامل للمعرفة متعددة التخصيص، والثاني هو الاستفادة القصوى من هذه المعرفة في تلبية المهمة الرئيسية.

استنادًا إلى هذه النتائج، تم اقتراح طريقة Mixture of Asymmetric Experts (MoAE)، التي تعد نهج MAL فعّال يدمج بين تعلم المعرفة متعددة التخصيص واستخدام المعرفة المرتكزة على المهمة الرئيسية.

لقد أظهرت التجارب على MAC أن MoAE يتفوق بشكل كبير على أساليب MAL الحالية.

نعتقد أن مجموعة بيانات MAC والرؤى التي اكتشفناها ستعزز الأبحاث المستقبلية في مجال MAL. يمكنكم الحصول على مجموعة بيانات MAC ومكتبة PyMAL بسهولة عبر الرابط: Mac and PyMAL.