利用提升建模以个体或子群组级别估计治疗效果的机器学习技术，是在线电子商务平台个性化的关键趋势之一，它能够选择最佳的治疗方案以最大化目标业务指标。研究探讨了引起潜在效益和潜在成本之间权衡的个性化促销活动，并介绍了新兴的提升建模技术。还讨论了不同方法的优势和局限，并深入探讨了约束提升建模的独特设置。最后，提出了实际应用和在实施这些模型时面临的挑战。

Aug, 2023

使用基于图神经网络的框架，利用社交网络中的邻居特征和社交关系对提升效果进行建模，解决了现有提升建模方法中面临的信息不足、标记数据稀缺等挑战，取得了在公共数据集和工业数据集上优于最先进方法的卓越性能，已在实际应用中用于提供实时提升效果估计。

Mar, 2024

通过理论分析比较预测方法与提升建模方法，本论文针对二进制结果和二进制操作案例，从理论基础出发，重点讨论了提升建模方法的性能影响因素，研究贡献包括利润度量的新形式、提升曲线收敛于利润度量的正式证明以及在模拟中证明预测方法仍然优于提升建模的条件。特征和结果之间的信息互信息、估计器的方差、潜在结果的分布以及治疗和结果的成本与收益的底层因素发挥着重要作用。

Sep, 2023

本文介绍了使用 uplift modeling 在多种处理组中分别分析处理效果的机器学习方法，通过人工合成数据以及真实数据进行模型测试，并提供了生产实施方案。

Aug, 2019

通过多实例学习框架，结合平均治疗效应（ATE）和个体治疗效应（ITE）的概念，提出了一种用于性能营销的 uplift modeling 方法。实验证明该方法的有效性和普适性。

Dec, 2023

本文提出了一种新的提升建模方法，适用于仅每个实例仅有一种标签的实际情况，并通过实验证明了该方法的有效性，同时展示了所提估计量的均方误差界限。

Mar, 2018

通过创新 GBDT 算法的两种方法，即序贯学习和克服反事实性，用于 uplift modeling，该研究提出了一种能够优化资源分配、最大化整体回报的客户激励估计模型，并且在大规模数据集上的实验证明了该方法的有效性。为了方便应用，还开发了针对 uplift modeling 的具体设计的树提升系统 UTBoost。

Dec, 2023

本文提出了基于知识蒸馏和样本匹配的提升建模框架 (KDSM)，以处理提升建模中的反事实样本匹配问题。在线下实验中，不同组合的教师和学生模型普适性良好，并验证了 KDSM 相对于基线的优越性。在在线 A/B 测试中，每个增量间夜的成本降低了 6.5％。

Mar, 2023

本文介绍了一种解决连锁偏差问题和治疗非自适应问题的崭新方法 ——ECUP，该方法利用整个链路空间，通过提升整体链路增益网络和治疗增强网络的上下文感知能力，有效估计和建模各个任务上治疗的影响。实验证明了 ECUP 方法的有效性，并已在美团外卖平台上得到应用，服务于数百万日活用户，并发布相关数据集供未来研究使用。

Feb, 2024

本文提出了一种新型的 uplift 算法，通过随机森林进行建模，利用一种新颖的评估方法可以获取 uplift 模型中最重要的性能度量值 - 预期响应，解决了数据无法测量个体对不同治疗方式响应的问题，在合成数据和行业提供的数据上的实验结果表明，该算法在任意数量和不同响应类型的治疗方式上，性能显著优于其他可行方法。

May, 2017