Aug, 2024

多处理多任务提升建模以增强用户增长

HTML
PDF
TL;DR本研究解决了以往提升建模中单任务单处理导致无法充分利用用户响应数据的问题。提出的多处理多任务提升网络（MTMT）能够在多任务场景中有效估计处理效果，并通过多门混合专家网络编码用户特征和处理，从而揭示基础和增量处理效应的差异。实验结果表明，MTMT在不同设置下均表现出色，已在游戏平台成功应用以改善用户体验。
发现论文，激发创造
  • 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

  • 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

  • 治疗效果异质性建模和提升建模的统一调查

    这篇论文通过潜在结果框架，提出了个性化医疗、社会研究和个性化营销等领域中利用治疗效果异质性调节来实现不同个体特征之间异质性处理效应估计和提高模型的研究方法，并对现有方法进行了结构性概述和主要应用程序的综述。

    Jul, 2020

  • 基于深度全空间交叉网络的个体治疗效果估计

    DESCN是一种深度学习框架，可从整体的样本空间中学习出处理和响应函数，同时通过中间伪处理效应预测网络来减轻样本失衡，并成功提高了ITE估计的准确性和提升排名表现。

    Jul, 2022

  • 面向在线营销的显式特征交互感知提升网络

    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

  • 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

  • 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

  • 整体链路上提升建模与上下文增强学习在智能营销中的应用

    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

  • 提升多治疗市场活动中的增益建模：利用分数排名和校准技术

    本研究旨在解决多治疗市场活动中增益建模效果提升的需求。提出了一种新颖的方法，结合分数排名和校准技术，以改进市场活动的整体表现。实验证明，该方法在提升预测的表现和可靠性方面具有重要意义，为营销分析提供了可行的洞见。

    Aug, 2024

  • 增强多处理营销活动中的提升建模：利用得分排序和校准技术

    本研究解决了多处理营销活动中提升建模效果不足的问题。通过引入得分排序和校准技术，论文提出了一种新方法，提高了营销活动的整体效果。实验结果证明该方法在实际应用中具有卓越的性能，为营销分析领域的预测建模提供了可行的改进方案。

    Aug, 2024