面向 uplift 建模的学习排序
机器学习
2020-02-17 v1 机器学习
摘要
Uplift 建模已有效用于营销和客户留存等领域，以定位那些最可能因活动或处理而响应的客户。Uplift 模型产生 uplift 分数，随后被用于本质上创建一种排序。我们转而通过考察学习排序（learning-to-rank）技术在 uplift 建模背景下的潜力来直接学习排序。我们提出了当今使用的不同全局 uplift 建模度量的统一形式化，并探索如何将这些度量整合进学习排序框架。此外，我们引入了一种聚焦于优化 uplift 曲线下面积的新学习排序度量，称为提升累积增益（PCG）。我们采用学习排序技术 LambdaMART 根据 PCG 优化排序，并展示出相对于标准学习排序度量的改进结果，以及与最先进 uplift 建模相比持平或改进的结果。最后，我们展示了学习排序模型如何学会优化某一定向深度，然而这些结果在测试集上不能泛化。
引用
@article{arxiv.2002.05897,
title = {Learning to rank for uplift modeling},
author = {Floris Devriendt and Tias Guns and Wouter Verbeke},
journal= {arXiv preprint arXiv:2002.05897},
year = {2020}
}