用于增益建模的多示例学习
机器学习
2023-12-18 v1 人工智能
摘要
增益建模广泛应用于效果营销中，以评估促销活动的影响（例如，客户留存率的提升）。由于无法同时观测到接收者在处理组（例如，接受某种促销）和控制组（例如，无促销）中的结果（即反事实），增益模型主要分别在处理组和控制组的实例上进行训练，以分别形成两个模型，并通过这两个模型的预测之差来预测增益（即双模型法）。当响应存在噪声且处理效应为分数时，所诱导的个体增益预测将不准确，从而导致将目标锁定在不理想的客户上。尽管无法获得理想的个体增益真实值（即个体处理效应，Individual Treatment Effects, ITEs），但作为替代，可以从实验投放中观测到一组用户的平均增益，称为平均处理效应（Average Treatment Effect, ATE）。基于此，类似于多示例学习（Multiple Instance Learning, MIL）中每个训练样本是一个实例包，我们的框架将每包用户的个体增益预测求和，作为其包级别的 ATE 预测，并将其正则化至其 ATE 标签，从而学习更准确的个体增益。此外，为了放大分数处理效应，包由具有相邻个体增益预测的实例组成，而非随机实例。在两个数据集上进行的实验表明了所提框架的有效性与普适性。
引用
@article{arxiv.2312.09639,
title = {Multiple Instance Learning for Uplift Modeling},
author = {Yao Zhao and Haipeng Zhang and Shiwei Lyu and Ruiying Jiang and Jinjie Gu and Guannan Zhang},
journal= {arXiv preprint arXiv:2312.09639},
year = {2023}
}
备注
short paper of CIKM22(full version)