这篇文档属于类型a，是一篇关于广告领域客户终身价值（LTV）预测的原创研究论文。以下是详细的学术报告：

作者及发表信息

本研究由Ruize Wang（腾讯）、Hui Xu（腾讯）、Ying Cheng（复旦大学）、Qi He（腾讯）、Xing Zhou（腾讯）、Rui Feng（复旦大学）、Wei Xu（腾讯）、Lei Huang（腾讯）、Jie Jiang（腾讯）合作完成，发表于KDD ‘24（第30届ACM SIGKDD知识发现与数据挖掘会议），会议时间为2024年8月25–29日，地点为西班牙巴塞罗那。论文标题为《ADSNet: Cross-Domain LTV Prediction with an Adaptive Siamese Network in Advertising》。

学术背景

科学领域：本研究属于计算广告学（computational advertising）与跨域迁移学习（cross-domain transfer learning）的交叉领域，聚焦于客户终身价值（Lifetime Value, LTV）预测模型的优化。

研究动机：
1. 问题背景：广告平台需通过LTV预测评估用户长期价值，但实际数据稀疏性严重（尤其是购买行为位于广告转化漏斗末端），导致模型性能受限。
2. 现有局限：传统方法（如零膨胀对数正态分布ZILN）假设简单，难以捕捉真实场景中的多模态分布；跨域联合学习易因数据分布差异引发负迁移（negative transfer）。
3. 研究目标：提出ADSNet框架，通过自适应孪生网络（Adaptive Difference Siamese Network）整合外部数据，解决数据稀疏性并抑制负迁移，提升LTV预测精度。

研究流程与方法

1. 模型架构设计

ADSNet包含以下核心模块：
- 伪孪生网络（Pseudo-Siamese Network）：
- Vanilla Network：仅使用广告平台内部数据训练。
- Gain Network：同时接收内外部数据，通过增益评估策略（Gain Evaluation Strategy）计算外部样本对目标域的信息增益（Information Gain, ( W_G )），拒绝负增益样本（( W_G \leq 0 )）。
- 域适应模块（Domain Adaptation Module）：
- 使用适配器层（Adapter）和知识蒸馏（MSE损失）对齐嵌入层和塔层的特征分布，减少域间差异。
- 多粒度预测塔（Tower Layer）：
- 粗粒度：购买概率预测（二分类，交叉熵损失）。
- 细粒度：购买金额预测（有序分类，Ordinal Classification），将连续LTV标签分段为等级标签，通过多个二元分类器建模累积分布函数。

2. 训练策略

• 迭代对齐策略（Iterative Alignment Strategy）：
  
  1. 预热阶段：仅用内部数据训练Vanilla Network。
     
  2. 联合训练阶段：同步更新Gain Network和Vanilla Network参数，每500步同步一次，防止两网络差异过大。
     

3. 实验设计

• 数据集：来自腾讯广告系统的90天日志数据，包含4个内部业务域（Domain #1–#3）和授权外部数据，日均样本量从9k（Domain #1）到225k（外部数据），LTV均值差异显著（0.34–8.02）。
  
• 基线模型：
  
  • 单域模型：DeepFM、ZILN、FiBiNet、GateNet。
    
  • 跨域模型：Share-Bottom、MMoE、STAR、CCTL。
    
• 评估指标：AUC（区分购买用户）和归一化基尼系数（Normalized Gini，衡量LTV排序一致性）。
  

主要结果

1. 性能对比：

   • ADSNet在全部域上显著优于基线，平均Gini提升1%–5%（Domain #3达0.9570 vs. STAR的0.9448）。
     
   • 引入外部数据后，传统跨域模型（如Share-Bottom）因负迁移导致性能下降，而ADSNet通过增益评估策略有效缓解此问题。
     

2. 消融实验：

   • 增益评估策略：移除后Gini下降3.2%（0.856→0.824），证明其拒绝噪声样本的关键作用。
     
   • 域适应模块：移除后Gini下降2.3%，显示特征分布对齐的必要性。
     

3. 长尾预测改进：

   • 在样本量极少区间（[0,15]），ADSNet的Gini较单域模型提升15.2%，表明外部数据显著增强对稀疏广告的预测能力。
     

4. 在线A/B测试：

   • 在腾讯广告平台部署后，LTV提升3.47%，GMV（Gross Merchandise Value）提升3.89%，验证了实际业务价值。
     

结论与价值

1. 科学价值：

   • 提出首个面向LTV预测的跨域自适应框架，通过伪孪生网络和增益评估策略解决了负迁移问题。
     
   • 创新性地将有序分类引入LTV金额预测，更贴合实际场景的多模态分布特性。
     

2. 应用价值：

   • 为广告平台提供了可扩展的LTV预测方案，通过整合外部数据突破数据稀疏性瓶颈。
     
   • 在线测试证实其可直接提升广告投放ROI，具有商业化落地潜力。
     

研究亮点

1. 方法创新：

   • 增益评估策略：动态量化外部数据贡献，实现选择性迁移。
     
   • 迭代对齐：通过参数同步防止网络发散，稳定训练过程。
     

2. 性能突破：

   • 在稀疏数据和分布偏移场景下，ADSNet的Gini和AUC均达到SOTA，长尾预测性能尤为突出。
     

3. 跨域通用性：框架可扩展至其他广告任务（如CTR预测），为跨域学习提供新思路。

其他有价值内容

论文开源了行业级LTV预测数据集（尽管因隐私政策未公开完整统计），为后续研究提供了基准。此外，作者指出未来将探索强化学习优化增益评估策略，进一步提升自适应能力。