Cet article présente une méthode visant à améliorer la précision de la prédiction du taux de conversion (CVR) en publicité en ligne, basée sur le modèle du coût par conversion (CPA). Un défi majeur réside dans le problème du feedback différé, où les conversions ne se produisent qu'après un laps de temps significatif depuis la réponse d'un utilisateur à une publicité. Cela conduit à des données récentes incomplètes et à un apprentissage du modèle biaisé. Les solutions existantes atténuent partiellement ce problème, mais leur dépendance à des modèles auxiliaires limite l'efficacité des calculs et l'adaptabilité à l'évolution des centres d'intérêt des utilisateurs. Dans cet article, nous proposons une méthode basée sur les fonctions d'influence (IF-DFM) pour la modélisation du feedback différé. L'IF-DFM estime l'influence des transformations nouvellement arrivées et différées sur les paramètres du modèle, permettant des mises à jour efficaces sans réapprentissage complet. En recadrant le produit vectoriel hessien inverse comme un problème d'optimisation, nous trouvons un bon équilibre entre évolutivité et efficacité. Les résultats expérimentaux sur des jeux de données de référence démontrent que l'IF-DFM surpasse les méthodes existantes en termes de précision et d'adaptabilité.
