TL;DR

传统的转化率（CVR）预估通常只锁定一种“归因方式”（如最后一次点击），这显然忽略了用户决策链条的全局。本文发布了全球首个多归因 CVR 评测基准 MAC，并配套了算法库 PyMAL。更重要的是，作者提出了一种新型架构 MoAE (Mixture of Asymmetric Experts)，通过混合专家模型与非对称特征迁移，在阿里妈妈真实场景下显著刷新了性能指标。

1. 痛点：被困在“最后一次点击”里的 CVR 预估

在在线广告系统中，归因机制（Attribution Mechanisms）决定了谁该为转化“领功”。目前大多数模型都是“单归因”的：

• Last-click：功劳全给最后一次点击。
• First-click：功劳全给第一次触达。
• Linear / DDA：按规则或数据驱动分配功劳。

问题在于：单一视角会造成严重的归因偏差。例如，一个用户可能受第一次展示的影响产生了兴趣，但最终点击了另一个广告完成转化。如果只学 Last-click，模型就学不到这种“心智培育”的过程。

由于缺乏公开的多标签数据集，学术界一直难以进行**多归因学习（Multi-Attribution Learning, MAL）**的深入研究。

2. 核心贡献：MAC 数据集与 PyMAL 库

作者从淘宝广告系统中提取了 7900 万次点击数据，构建了 MAC 基准。

• 多维度标签：每个样本同时拥有四种标签：Last-click, First-click, Linear, DDA。
• PyMAL 库：集成了从传统的 Shared-Bottom 到最新的 NATAL 等一系列 MAL 模型。

3. 方法论：MoAE (Mixture of Asymmetric Experts)

作者通过对比分析发现，一个优秀的 MAL 模型必须满足两个 Inductive Bias：

1. 全面性：需要能够捕捉不同归因视角下的共有特征和特有特征（MoE 的强项）。
2. 主从性：辅助任务的知识必须服务于主任务，而非干扰（非对称迁移的强项）。

架构拆解

MoAE 的设计非常精巧：

• 底座 (Backbone)：采用了类似于 PLE 的结构，包含 Shared Experts（学习通用的转化规律）和 Specific Experts（学习特定归因下的偏差）。
• 非对称迁移 (Asymmetric Transfer)：不同于传统的全连接共享，MoAE 将辅助塔的特征单向聚合到主任务预测器（Primary Target Predictor）中。这确保了主任务能够充分利用辅任务的“辅助视角”，同时避免了梯度冲突带来的负迁移。

4. 实验发现：为什么 MAL 有效？

作者在 MAC 数据集上进行了严谨的对比实验，得出了几个颠覆性的结论：

• 转化路径越长，效果越好：实验发现，对于那些点击很多次才转化的“深思熟虑型”用户，MAL 带来的提升远高于短路径用户。这证明了多视角学习确实捕捉到了复杂的转化决策链。
• 不是辅助任务越多越好：在预测 First-click 目标时，盲目增加辅助任务反而会损害效果。这说明了辅助目标的选择策略在 MAL 中至关重要。
• 信息增益而非参数量：通过将辅助任务权重设为零的消融实验发现，仅仅增加参数量并不能提升性能，真正的增益来自于多归因标签提供的监督信号。

5. 总结与展望

MAC 评测基准填补了 CVR 预估领域的空白。MoAE 的成功不仅在于它刷高了 AUC（GAUC 提升高达 2.12pt），更在于它提供了一套处理多源标签的系统化方法。

资深主编点评： 该工作的高明之处在于将“归因”这一业务逻辑问题转化为了“多任务表示学习”的学术方案。它告诉我们：与其纠结哪种归因规则最公平，不如让模型“全都要”，通过端到端的学习自动提取多种规则下的信息。

论文地址：https://huggingface.co/datasets/alimamaTech/MAC 代码地址：https://github.com/alimama-tech/PyMAL