用于标签稀缺个体增益建模的具有两个增益估计器的图神经网络
机器学习
2024-03-12 v1
摘要
增益建模旨在从随机实验或观察数据中衡量策略或行动对用户的增量效应，我们称之为增益。现有大多数增益方法仅使用个体数据，这通常不足以捕捉关于增益的未观察到的复杂隐藏因素。此外，增益建模场景通常具有稀缺的标注数据，特别是对于处理组，这也给模型训练带来了巨大挑战。考虑到邻居特征和社交关系对于表征用户的增益非常有信息量，我们提出了一种基于图神经网络的框架，包含两个增益估计器，称为 GNUM，用于从社交图中学习以进行增益估计。具体来说，我们基于类转换目标设计了第一个估计器。该估计器适用于所有类型的结果，并且能够将处理组和对照组数据综合建模在一起以逼近增益。当结果是离散的时，我们进一步基于我们定义的部分标签设计了另一个增益估计器，该估计器能够利用来自处理组和对照组的更多标注数据，以进一步缓解标签稀缺问题。在公开数据集和两个工业数据集上的综合实验表明，在各种评估指标下，我们提出的框架优于现有最先进的方法。所提出的算法已在线部署，以服务于真实世界的增益估计场景。
引用
@article{arxiv.2403.06489,
title = {Graph Neural Network with Two Uplift Estimators for Label-Scarcity Individual Uplift Modeling},
author = {Dingyuan Zhu and Daixin Wang and Zhiqiang Zhang and Kun Kuang and Yan Zhang and Yulin Kang and Jun Zhou},
journal= {arXiv preprint arXiv:2403.06489},
year = {2024}
}