面向用户增长中聚合函数优化的异质因果学习
机器学习
2025-07-09 v1
摘要
用户增长是消费互联网公司的一项主要战略。为了优化成本高昂的营销活动并最大化用户参与度,我们提出了一种新颖的因果效应优化方法,以增强用户增长营销。通过利用深度学习,我们的算法从过去的实验中学习,以优化用户选择和奖励分配,从而在最小化成本的同时最大化活动影响力。与传统的预测方法不同,我们的模型直接对关键业务指标的提升度进行建模。此外,我们的深度学习模型可以使用softmax门控联合优化聚合损失函数的参数。我们的方法通过直接针对期望的业务指标,超越了传统方法,并在处理复杂业务约束方面展现出卓越的算法灵活性。全面的评估,包括与R-learner和Causal Forest等最先进技术的比较,验证了我们模型的有效性。我们通过实验证明,我们提出的约束优化和直接优化算法显著优于最先进的方法,性能提升超过20%,证明了其成本效益和实际影响力。这些多功能方法可应用于各种产品场景,包括最优处理分配。其有效性也已通过成功的全球生产部署得到验证。
引用
@article{arxiv.2507.05510,
title = {Heterogeneous Causal Learning for Optimizing Aggregated Functions in User Growth},
author = {Shuyang Du and Jennifer Zhang and Will Y. Zou},
journal= {arXiv preprint arXiv:2507.05510},
year = {2025}
}
备注
11 pages. arXiv admin note: text overlap with arXiv:2004.09702