https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10335681
To jest metoda time-series do przewidywania konwersyjności (ale nie jest to CTR, CVR prediction problem, bo autorzy skupiają się nie na konwersjności pojedynczego bid-requesta tylko na globalnej konwersyjności) w kolejnym dniu na podstawie przeszłej konwersyjności. W każdym dniu obserwujemy liczbę konwersji i nie-konwersji, na tej podstawie chcemy przewidzieć konwersyjność w następnym dniu.
Metoda jest prosta: bierzemy kilka okresów wstecz: 1 dzień, 2, 4, 8, 16 dni. W każdym okresie mamy konkretną liczbę konwersji i nie-konwersji, budujemy z tego rozkład beta i bierzemy medianę tego rozkładu. Mamy więc 5 median (bo 5 okresów) i z nich znowu bierzemy medianę. I to jest predykcja. Koniec. Autorzy niestety nie podają żadnego uzasadnienia lub interpretacji tej metody.
Porównują się z metodą Holt-Winters, ale jak dla mnie nie ma jasnej przewagi zapronowej metody nad tą Holt-Winters. Ograniczają się do stwierdzenia, że ich metoda jest “asymptotycznie” lepsza.
Metoda nie adresuje problemu Jak uczyć model gdy powoli spływają odpowiedzi.