- KDD在线营销中增强收入提升建模框架的排名能力
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 - 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
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。
- ICML缺乏真实情况下提升建模公平性评估
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。
- WWW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 - M$^3$TN: 基于多门专家混合的多值治疗网络的提升建模
提出了一种称为 M3TN 的新颖多门多专家混合的多值处理网络模型，该模型通过多门多专家的特征表示模块改善了效率，并通过显式地建模提升效果的重新参数化模块提高了效果。通过广泛实验证明了 M3TN 的效果和效率。
- 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。
- KDD电信行业流失预测数据集：提升建模的新基准
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。
- 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 - 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。
- 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。
- 具有对抗特征去敏感化的鲁棒性增强提升建模
提出了一种新的强化鲁棒性的提升建模框架 RUAD，通过两个定制模块，即联合多标签建模的特征选择模块和利用对抗训练和软插值操作的对抗性特征去敏模块，更有效地缓解提升模型的特征敏感性，从而提高在线营销中的效果和鲁棒性。
- 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 - 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 - KDD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 - 基于知识蒸馏与样本匹配的提升模型框架 KDSM
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 - MM自由午餐！基于回顾性提升建模的动态促销推荐，满足 ROI 约束
本文针对在线旅游平台的营销问题，提出了一种基于背包问题优化的新型提升建模技术，采用回溯估计模型、在线动态校准等方法，成功地在满足金融限制的同时提高了目标结果，并超越了其他方法。
- 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。
- 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。
- 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。
- 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