DeepCausalMMM：基于因果结构学习的深度学习营销混合模型框架
机器学习
2026-04-28 v3 统计方法学
机器学习
摘要
营销混合模型（MMM）估计营销活动对业务结果（如销售额或收入）的影响。传统的MMM方法依赖于线性回归或贝叶斯层次模型，假设通道独立性，难以捕捉时序动态和非线性饱和效应。DeepCausalMMM 通过结合深度学习、因果推断和营销科学来克服这些限制。它使用门控循环单元（GRU）学习时序模式（广告库存、滞后效应），同时通过具有上三角约束的有向无环图（DAG）结构学习通道之间的统计依赖关系。它实现了山丘方程饱和曲线，以体现边际报酬递减和预算优化。关键特征：（1）数据驱动的超参数从数据中学习，带有默认值；（2）因变量的线性均值缩放；（3）可配置的归因先验与动态损失缩放；（4）多区域建模，支持共享参数和区域特定参数；（5）包括Huber损失在内的稳健方法；（6）响应曲线分析。
引用
@article{arxiv.2510.13087,
title = {DeepCausalMMM: A Deep Learning Framework for Marketing Mix Modeling with Causal Structure Learning},
author = {Aditya Puttaparthi Tirumala},
journal= {arXiv preprint arXiv:2510.13087},
year = {2026}
}
备注
Published in the Journal of Open Source Software. Please cite the JOSS version - doi:10.21105/joss.09914. Please note that Author has no middle name. Last name is 'Puttaparthi Tirumala' (it's a two-part surname)