本文提出了一种零膨胀对数正态损失函数 (ZILN) 和相应的模型网络，用于连续长尾回应分布情况下的收益提升模型。同时，通过理论研究和实证实验发现，该方法可优化不同个体之间的收益提升排序。在离线和在线数据集上的实验结果证实了该方法在收益提升模型中的有效性。

May, 2024

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

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

使用替代品来充当反事实标签以解决缺失真实后果问题，从而实现对基于 AI 的自动决策系统中使用提升模型进行公平评估的增强。

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

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

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

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