SACO：面向电商优惠券发放的序列感知约束优化框架
机器学习
2026-02-03 v2 人工智能
摘要
优惠券发放是在线平台用于提升收入和增强用户参与度的关键营销策略。遗憾的是，现有的优惠券发放策略远未有效利用平台与用户之间复杂的序列交互。尽管电商日志数据十分丰富，但这一关键疏忽导致了性能停滞。在本文中，我们关注平台多次为各类用户做出序列化优惠券发放决策，且每个用户与平台反复交互的场景。基于这一场景，我们提出了一种名为序列感知约束优化（SACO）框架的新型营销框架，以直接设计用于提升长期收入的优惠券发放策略。SACO 框架能够在多种真实营销场景中实现优化的在线决策。它通过在统一框架内无缝集成三个关键特性来实现这一点：通用场景、利用更全面历史数据的序列建模，以及高效的迭代更新。此外，在真实工业数据集以及公开和合成数据集上的实证结果证明了我们框架的优越性。
引用
@article{arxiv.2508.09198,
title = {SACO: Sequence-Aware Constrained Optimization Framework for Coupon Distribution in E-commerce},
author = {Li Kong and Bingzhe Wang and Zhou Chen and Suhan Hu and Yuchao Ma and Qi Qi and Suoyuan Song and Bicheng Jin},
journal= {arXiv preprint arXiv:2508.09198},
year = {2026}
}