一种面向大规模个性化促销的框架
机器学习
2021-08-30 v1
摘要
构建面向消费者平台的技术公司可能拥有大规模用户群体。近年来，带有可量化激励的促销已成为此类平台增加活跃用户的流行手段。一方面，用户活跃度提升可引入网络效应、带来广告受众并产生其他收益；另一方面，大规模促销造成巨额成本。因此，对许多公司而言，提升促销活动的投资回报率（ROI）效率至关重要。本文提出一种实用的两阶段框架，可优化各类大规模促销活动的 ROI。第一阶段，利用机器学习技术对用户个性化促销响应曲线建模。第二阶段，将业务目标与资源约束表述为一个优化问题，其决策变量为给予每位用户的激励额度。为在第二阶段进行有效优化，第一阶段的反事实预测与降噪至关重要。我们利用现有反事实预测技术修正数据中的处理偏差。我们还提出一种新颖的深度神经网络（DNN）架构——深度保序促销网络（DIPN），以降低促销响应曲线中的噪声。DIPN 架构通过强制保序性与平滑性，融入了我们对响应曲线形状的先验知识。在实验中，其性能优于常规 DNN 与其他最先进的形状约束模型。
引用
@article{arxiv.2108.12100,
title = {A framework for massive scale personalized promotion},
author = {Yitao Shen and Yue Wang and Xingyu Lu and Feng Qi and Jia Yan and Yixiang Mu and Yao Yang and YiFan Peng and Jinjie Gu},
journal= {arXiv preprint arXiv:2108.12100},
year = {2021}
}