标准回答
一、先说明要解决的问题
CVR 模型需要「点击是否转化」的标签，但转化常滞后于点击（几小时到几天）。若实时训练，刚点击还没转化的样本会被当作负样本，而它其实可能稍后转化——产生大量「假负样本」，模型系统性低估 CVR。等满完整归因窗口再训练又会让模型严重滞后。
二、主流解法
- 延迟反馈模型（Delayed Feedback Model, Criteo）：联合建模「最终是否转化」与「转化延迟时间分布」（常假设指数分布），用生存分析的思路修正：观测到的「未转化」既可能真没转化、也可能只是还没回流，按延迟概率折算。
- 重要性加权 / 假负回补（FNW / FNC）：先把样本当负样本进入在线训练，待真实转化回流后，再以正样本「纠正」并对早期错误负标做重要性加权，使期望梯度无偏。
- 双模型 / 多任务：一个模型预测最终转化、一个预测延迟，组合输出。
三、补充评估指标和验收方式
必须按统一归因窗口统计实际转化，监控 PCOC（预估/实际），否则会被延迟掩盖真实偏差。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：直接拿实时「未转化」当负样本训练而不做任何校正，CVR 会被系统性低估、出价偏低拿不到量；或一味拉长等待窗口换准确度，牺牲了模型时效。
追问
追问 1：延迟反馈和正负样本不平衡是一回事吗？
不是。不平衡指正样本绝对数量少（可用重采样/加权处理）；延迟反馈是「标签随时间才确定」导致的标签噪声/偏差问题，核心是时间维度上的假负样本，需要建模延迟分布或回补纠正，二者常同时存在。
追问 2：为什么不直接等归因窗口结束再训练？
归因窗口可能长达数天，等窗口关闭模型已严重过时，无法适应快速变化的流量与素材；广告场景强调时效，所以要在「时效」与「标签准确」之间用延迟反馈建模取得平衡，而非二选一。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习