Промышленные системы ранжирования часто полагаются на сортировку по прогнозируемой кликабельности (CTR). Однако современные CTR-модели сильно зависят от признаков, производных от поведенческих сигналов пользователей, и с трудом ранжируют холодные товары при недостатке поведенческих данных.
Чтобы решить эту проблему, мы представляем UCB-FE — модельно-агностичную технику, которая легко интегрируется с CTR-моделями и не требует изменений их весов или архитектуры. UCB-FE преобразует входные поведенческие признаки во время вывода с помощью позиционно-зависимых верхних доверительных границ.
Наша экспериментальная оценка на промышленных и публичных наборах данных демонстрирует повышение холодных товаров без резкого падения общего качества результатов поиска. Более того, чтобы количественно оценить качество поиска с учётом возросшей важности эффективности холодных товаров, мы предлагаем метрику coldNDCG. В экспериментах мы подтверждаем, что UCB-FE значительно улучшает coldNDCG для современных моделей прогнозирования CTR, включая градиентный бустинг на решающих деревьях и табличные глубокие нейронные сети. Мы обосновываем UCB-FE теоретическим анализом позиционно-зависимой UCB-оценки поведенческих признаков.