LBCF：一种大规模预算约束因果森林算法

向用户提供激励（如Amazon的优惠券、Uber的折扣和Tiktok的视频奖励）是在线平台增加用户参与度和平台收入的常用策略。尽管已被证明有效，这些营销激励会产生不可避免的成本，若使用不当可能导致低ROI（投资回报率）。另一方面，不同用户对激励的响应不同，例如，有些用户没有优惠券绝不购买某些产品，而另一些用户无论如何都会购买。因此，如何在预算约束下为每个用户选择合适的激励量（即处理）是一个具有重要实际意义的研究问题。本文称此类问题为预算约束处理选择（BTS）问题。挑战在于如何在大规模数据集上高效求解BTS问题并取得优于现有技术的效果。我们提出一种新颖的预算约束下基于树的处理选择技术，称为大规模预算约束因果森林（LBCF）算法，它也是一种适用于现代分布式计算系统的高效处理选择算法。我们还提出一种新颖的离线评估方法，以克服在随机对照试验（RCT）数据中评估BTS问题解决方案性能的内在挑战。我们将该方法部署于某大规模视频平台的真实场景中，平台发放奖励以增加用户的活动参与时长。仿真分析、离线与在线实验均表明，我们的方法优于各种基于树的state-of-the-art基线。所提方法目前为该平台数亿用户提供服务，并在过去数月实现了最为显著的提升之一。