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
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
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
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
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
基于图神经网络的因果知识和抬升值估计的框架，通过图卷积网络结合因果知识，提出了一种更可扩展的抬升建模方法，该方法在典型的模拟数据中可以有效地预测抬升值，并在实际行业市场数据中得到验证。
Nov, 2023
这篇论文介绍了一份面向过渡预测的新的基准数据集，来自比利时的一个电信公司，Orange Belgium。它是第一个公开可用的数据集，可以评估在过渡预测问题上使用提升建模的效率。此外，它独特的特点使其比其他少数公共提升数据集更具挑战性。
Dec, 2023
本文提出了一种显式特征交互感知抬升网络（EFIN），旨在完全利用处理信息和挖掘对于特定处理敏感的特征，EFIN 包含四个自定义模块：特征编码模块，自交互模块，处理感知交互模块和干预约束模块。通过在两个公共数据集和一个产品数据集上的实验验证了 EFIN 的有效性，并在大型在线金融平台的信用卡账单支付场景中部署。
Jun, 2023
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。
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