基于排序提升的在线营销收入提升建模框架

提升模型在线营销中被广泛应用，通过预测治疗组和对照组之间的响应差异，以识别对干预（如优惠券或折扣）敏感的个体。相较于传统的转化提升建模，收入提升建模因直接关联企业收入而具有更大的潜力。然而，现有工作几乎无法处理收入提升建模中持续的长尾响应分布，亦忽视了优化不同个体间提升排序的问题，这实际上是提升建模的核心。为此，本文首先采用零膨胀对数正态 (ZILN) 损失对响应进行回归，并定制相应的建模网络，可适用于不同现有提升模型。随后，我们从理论角度研究提升排序相关的提升建模误差，提出两个更紧的误差上界作为常规响应回归损失的附加项。最后，我们直接对整个人群的提升排序误差进行列表化提升排序损失建模。实验在离线公开数据集和工业数据集上均验证了本方法在收入提升建模中的有效性。此外，我们在知名在线金融营销平台 Tencent FiT 上进行大规模实验，进一步证明了本方法在实际应用中的优势。