TWICE: Two-Clock, Two-Window Learning for Long-Horizon Conversion Prediction in Online Advertising
TWICE：双时钟双窗口学习用于在线广告长周期转化预测
🧭 延时反馈下的双时钟增量学习 ★ 深度解读
Kuaishou Technology
将点击时钟与转化时钟解耦，用历史 pCVR 质量加权延迟分布学习长周期 CVR
📌 工作参考价值（4 点）
- 双流增量训练解耦：将及时但标签不完整的点击时钟流和完整但延迟的转化时钟流分开，用停止梯度隔离参数，避免短期标签扭曲延迟分布，可直接迁移到电商长周期购买/退单预测等延时反馈场景。
- pCVR质量加权纠偏：在转化到达条件下，用历史停止的 pCVR 质量（标量）代替原始点击特征构建风险集，通过时间卷积纠正不同历史流量队列的混合偏差，只需维护一个标量索引，无需求存原始特征。
- 分组延迟上下文设计：用紧凑的分组上下文（如广告主行业、设备等低基数特征）代替全特征做延迟建模，避免高基数导致风险集碎片化和梯度消失，同时兼顾延迟异质性和统计鲁棒性，可借鉴到用户行为延迟分布建模。
- 轻量级服务：在线推理时仅需主模型 + 轻量延迟头预测任意窗口 CVR，不做历史查找或卷积，保持 36ms 延迟不变；训练额外成本只有标量索引维护，工程落地友好。