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

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

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

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

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

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

在线营销是许多工业平台和商业应用的关键，本文提出了一个用于深层提升建模技术的开放基准，并以可重复和统一的方式比较了现有模型的结果。结果显示，最新的工作在许多情况下与传统工作相比差异较小，并揭示了深层提升建模在泛化方面的局限性，特别是在不同的预处理和测试分布情况下。

Jun, 2024

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