大语言模型 能否识别转化归因中有意义的接触点？

转化归因中的接触点选择，即识别有助于转化的有意义的接触点，对于电子商务推荐和在线广告至关重要。当前的选择方法严重依赖基于协作过滤的启发式方法，这无法与用户感知的语义意图保持一致。通过人工注释，我们揭示了一个显着的语义差距：许多隐式相关、语义相关的接触点仍未被现有规则检测到。因此，我们系统地评估了 大语言模型 (LLM) 识别这些隐藏关联的能力。我们的评估表明，虽然 LLM 有效地发现了大部分隐式相关的接触点，但其选择性能仍有很大的改进空间。此外，我们分析了不同的提示策略和基础模型选择对识别性能的影响，为它们的推理模式和有效性提供了有价值的见解。这些见解为将转换归因从机械规则匹配过渡到与人类一致的语义推理提供了新的路线图。此外，我们利用 LLM 归因的转化标签来增强工业 CVR 模型训练 并实现显着的离线性能提升，显示了 LLM 在转化归因方面的潜力。