个体处理分配方法的比较及在播放列表生成中的应用
计量经济学
2022-05-03 v5 机器学习
统计方法学
机器学习
摘要
本研究对个体处理分配方法进行了系统比较，这是一个在许多应用中出现的普遍问题，并受到经济学家、计算机科学家和社会科学家的广泛关注。我们将文献中提出的各种方法归为三类通用算法（或元学习器）：学习预测结果模型（O-learner）、学习预测因果效应模型（E-learner）和学习预测最优处理分配模型（A-learner）。我们从（1）其通用性水平和（2）其用于从数据学习模型的目标函数两方面比较这些元学习器；进而讨论这些特征对建模与决策的含义。值得注意的是，我们从分析和经验上证明，优化结果预测或因果效应预测不同于优化处理分配，这表明一般而言 A-learner 应比其他元学习器产生更好的处理分配。我们在为每个用户选择最佳播放列表生成算法以优化参与度的背景下展示了我们发现的实践意义。这是首次在大规模真实世界应用上（基于超过五亿次个体处理分配）对三种不同元学习器进行比较。除了支持我们的分析发现外，结果还显示了大型 A/B 测试如何为学习处理分配策略提供实质价值，而非仅仅选择平均表现最佳的变体。
引用
@article{arxiv.2004.11532,
title = {A Comparison of Methods for Treatment Assignment with an Application to Playlist Generation},
author = {Carlos Fernández-Loría and Foster Provost and Jesse Anderton and Benjamin Carterette and Praveen Chandar},
journal= {arXiv preprint arXiv:2004.11532},
year = {2022}
}