基于双重正例与无标签数据的潜在客户识别学习

在本研究中，我们提出了一种通过应用正例与无标签数据学习（PU learning）来识别定向营销中潜在客户的方法。我们考虑这样一个场景：一家公司销售某款产品，且只能观察到购买了该产品的客户。决策者希望根据人们对公司的忠诚度来有效地进行产品营销。具有忠诚度的人是指即使没有额外广告也会对公司保持兴趣的人。因此，如果这些忠诚客户对产品感兴趣，他们很可能会向该公司购买。相比之下，忠诚度较低的人可能会忽略该产品，或者在没有营销关注的情况下从其他公司购买类似产品。因此，通过将营销精力集中在那些对产品感兴趣但对公司没有强烈忠诚度的人身上，我们可以实现更高效的营销。为了实现这一目标，我们考虑如何从有限数据中学习一个分类器，以识别满足以下条件的潜在客户： 对产品感兴趣； 对公司没有忠诚度。尽管我们的算法包含单阶段优化，但其目标函数隐含地包含了源自标准 PU learning 设置的两个损失。因此，我们将我们的方法称为双重 PU learning。我们通过数值实验验证了所提算法的有效性，证实其能针对当前问题适当发挥作用。