大规模转化漏斗优化的无模型近似贝叶斯学习
机器学习
2024-01-15 v1 信息检索
摘要
根据消费者状态灵活选择广告动作对于现代营销活动至关重要。我们研究如何确定最优的序贯个性化干预，以最大化新产品的采纳概率。我们通过一个转化漏斗对消费者行为进行建模，该漏斗捕捉每位消费者的状态（例如，与企业的互动历史），并允许消费者行为随其状态和企业的序贯干预而变化。我们证明，在一个真实的电子邮件营销数据集中，我们的模型能以极高的准确率（样本外 AUC 超过 0.95）捕捉消费者行为。然而，这导致了一个非常大规模的学习问题，企业必须从消费者互动中学习各种干预措施的状态特定效应。我们为此问题提出了一种新颖的基于归因的决策算法，称为无模型近似贝叶斯学习。我们的算法继承了汤普森采样在老虎机问题上的可解释性和可扩展性，并对每个状态特定干预的价值维持一个近似信念。该信念随着算法与消费者的互动而更新。尽管这是对贝叶斯更新的一种近似，我们证明了算法的渐近最优性并分析了其收敛速度。我们表明，在基于真实电子邮件营销数据集校准的广泛模拟中，我们的算法显著优于传统方法。
引用
@article{arxiv.2401.06710,
title = {Model-Free Approximate Bayesian Learning for Large-Scale Conversion Funnel Optimization},
author = {Garud Iyengar and Raghav Singal},
journal= {arXiv preprint arXiv:2401.06710},
year = {2024}
}