免费午餐！面向 ROI 约束下动态促销推荐的回顾式 uplift 建模
机器学习
2020-09-29 v2 机器学习
摘要
促销与折扣已成为现代电子商务平台的关键组成部分。对于在线旅游平台(OTPs)而言，热门促销包括客房升级、免费餐饮与交通服务。通过提供这些促销，客户可以获得更高的性价比，而 OTP 及其旅游合作伙伴均可扩大其忠实客户群。然而，促销通常会产生成本，若不加控制则可能变得不可持续。因此，为使促销可行，其相关成本必须由设定财务约束内的增量收入来平衡。个性化处理分配可用于满足此类约束。本文引入一种新颖的 uplift 建模技术，该技术依赖背包问题公式，在所需投资回报率(ROI)约束下动态优化增量处理效果。该技术利用回顾式估计——一种仅依赖正结果样本数据的建模方法。该方法还通过在线动态校准解决了训练数据偏差、长期效应与季节性挑战。该方法通过 Booking.com（一家拥有全球数百万客户的领先 OTP）的离线实验与在线随机对照试验进行了测试，在保持所需财务约束的同时显著提升了目标结果，并优于其他方法。
引用
@article{arxiv.2008.06293,
title = {Free Lunch! Retrospective Uplift Modeling for Dynamic Promotions Recommendation within ROI Constraints},
author = {Dmitri Goldenberg and Javier Albert and Lucas Bernardi and Pablo Estevez},
journal= {arXiv preprint arXiv:2008.06293},
year = {2020}
}
备注
Accepted to Fourteenth ACM Conference on Recommender Systems, Brazil, September, 2020