用于标签稀缺个体提升建模的两个提升估计器的图神经网络

Mar, 2024

用于标签稀缺个体提升建模的两个提升估计器的图神经网络

Graph Neural Network with Two Uplift Estimators for Label-Scarcity Individual Uplift Modeling

Dingyuan Zhu, Daixin Wang, Zhiqiang Zhang, Kun Kuang, Yan Zhang...

TL;DR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。

Abstract

uplift modeling aims to measure the incremental effect, which we call uplift, of a strategy or action on the users from randomized experiments or observational data. Most existing uplift methods only use individual data, which are usually not informative enough to capture the unobserve

uplift modeling graph neural network estimators labeled data social relationships

发现论文，激发创造

基于图神经网络与因果知识的提升建模

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

利用分离的标签进行提升建模

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

多个治疗方案的提升建模与成本优化

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

多个处理和一般响应类型的提升建模

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

提升建模：从因果推断到个性化

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

UTBoost: 基于树提升的提升建模系统

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

提升效果与预测建模之比较分析

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

提升建模的多实例学习

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

一种用于二元结果提升建模的新转化方法

通过重新定义目标变量和解锁具有零结果样本的全部价值，本论文设计了一种新型转化后果，实验结果明显显示出该新方法在合成和实际数据集上优于传统方法，并已应用于中国一家全国性金融控股集团的精准营销。

Oct, 2023

数据稀缺条件下的图挖掘

我们的研究提出了一个不确定性估计框架，可应用于任何泛化图神经网络（GNN）的基础网络上，以提高节点分类性能。该不确定性估计器模型是一个神经网络，将不确定性建模为概率分布而非离散的概率标量值。通过在 $n$ 路 $k$ 样本方式下进行训练，我们的方法在少样本学习设置中提高了分类准确率，而无需特定的元学习架构。在多个数据集和不同 GNN 基础网络上进行的实验证明了不确定性估计器对于带有 GNN 的少样本节点分类的有效性。

Jun, 2024