大规模营销优化的双层决策聚焦因果学习：桥接观察性与实验数据
机器学习
2025-10-23 v1
摘要
在线互联网平台需要精细的营销策略来优化用户保留和平台收入——这是一个典型的资源分配问题。传统方案采用两阶段流程：机器学习 (ML) 用于预测 individual treatment effects 以营销行动，然后采用运筹学 (OR) 进行决策。这种范式提出了两个根本性技术挑战。首先，预测-决策错位：传统 ML 方法仅关注预测准确性，而不考虑下游优化目标，导致预测指标改进但决策未必改善。其次，偏差-方差困境：观察性数据受到多种偏差（如选择偏差、位置偏差），而实验数据（如随机对照试验）虽然无偏，但通常稀缺且昂贵——导致高方差估计。我们提出双层决策聚焦因果学习 (Bi-DFCL)，系统性地解决这些挑战。首先，我们开发了一个使用实验数据计算 OR 决策质量的无偏估计器，通过代理损失函数引导 ML 模型训练，以桥接离散优化梯度。其次，我们建立了一个双层优化框架，联合利用观察性和实验数据，通过隐式微分求解。这种新颖的表述使我们的无偏 OR 估计器能够纠正来自有偏观察性数据的学习方向，实现最佳的偏差-方差权衡。广泛的评估在公共基准、工业营销数据集以及大规模在线 A/B 测试中表明 Bi-DFCL 的有效性，显示出对 state-of-the-art 的统计显著性改进。目前，Bi-DFCL 已在世界最大的在线食品配送平台之一——美团上部署。
引用
@article{arxiv.2510.19517,
title = {Bi-Level Decision-Focused Causal Learning for Large-Scale Marketing Optimization: Bridging Observational and Experimental Data},
author = {Shuli Zhang and Hao Zhou and Jiaqi Zheng and Guibin Jiang and Bing Cheng and Wei Lin and Guihai Chen},
journal= {arXiv preprint arXiv:2510.19517},
year = {2025}
}
备注
Accepted by NeurIPS 2025