考虑用户学习的 A/B 测试中面向长期效应与生命周期价值的高效多队列推断
机器学习
2026-04-23 v1
摘要
在流媒体平台中，用户流失代价极高，然而 A/B 测试通常使用在有限实验周期内观测到的结果进行评估。即使同时考虑短期和预测的长期参与度指标，它们也可能无法捕捉到处理如何影响用户的留存。因此，一种干预可能在短期内看起来有益，长期来看是中性的，但由于用户流失，其产生的总价值仍低于对照组。为解决这一局限性，我们引入了一种方法，在用户学习下的短期多队列 A/B 测试中估计长期处理效应（LTE）和剩余生命周期价值变化（）。为了高效估计时变处理效应，我们引入了一种逆方差加权估计器，该估计器结合了多个队列的估计值，相对于文献中的标准方法降低了方差。然后，将估计的处理轨迹建模为参数衰减，以恢复渐近处理效应和随时间累积的价值。我们的框架能够在单个实验中同时评估稳态影响和剩余用户价值。实证结果表明，在估计 LTE 和 方面精度有所提高，并识别出仅依赖短期或长期指标会导致错误产品决策的场景。
引用
@article{arxiv.2604.20777,
title = {Efficient Multi-Cohort Inference for Long-Term Effects and Lifetime Value in A/B Testing with User Learning},
author = {Dario Simionato and Andrea Tonon and Mingxue Wang and Weiguo Wang and Tong Gui and Xiaoyue Li},
journal= {arXiv preprint arXiv:2604.20777},
year = {2026}
}