用于排序处理效应的元学习器

在预算约束下高效分配处理是各个领域面临的一项重要挑战。例如，在市场营销中，利用促销活动瞄准潜在客户并提高转化率受到可用预算的限制。虽然许多研究侧重于估计因果效应，但在考虑运营情境下学习分配处理的工作相对有限。现有的提升建模或因果推断方法主要估计处理效应，而没有考虑这与尊重预算约束的利润最大化分配策略之间的关系。使用这些方法的潜在缺点是，生成的预测模型与运营情境不一致。因此，预测误差会传播到预算分配问题的优化中，从而导致次优的分配策略。我们提出了一种基于学习排序的替代方法。我们提出的方法通过按增量利润对实例进行优先级排序，直接学习分配策略。我们提出了一种高效的采样程序来优化排序模型，以将我们的方法扩展到大规模数据集。理论上，我们展示了学习排序如何最大化策略增量利润曲线下的面积。在实证方面，我们通过在合成数据和真实世界数据上进行的一系列实验验证了我们的方法，并展示了其在实践中的有效性。