Split：基于推断未观测事件概率解耦品牌与顾客交互
机器学习
2020-12-09 v1
摘要
通常，数据仅包含由多个事件组成的复合事件，其中部分被观测、部分未被观测。例如，品牌能观测到搜索广告点击，而哪些顾客看到了搜索广告——一个可操作的变量——往往未被观测。在此情形下，无法对未观测事件进行推断。当在自有与付费数字渠道上采取营销动作时便会出现这种情况。在众多多主体交互的数据集中也存在类似设定。一种方法是用复合事件作为目标未观测事件的代理变量，但这会导致无效推断。本文采取直接方法，基于复合事件的信息及复合事件的聚合数据（例如搜索广告展示总数）来识别目标事件。本工作通过证明在温和条件下未观测事件概率可识别至一个标量因子，对文献作出贡献。我们提出一种利用通常可从自有与付费渠道获得的聚合数据来识别该标量因子的方法。该因子通过向常规交叉熵损失中添加一项损失项来识别。我们在三个合成数据集上验证了该方法。此外，该方法在一个真实营销问题上得到验证，其中部分观测事件被隐藏以用于算法验证。所提出的交叉熵损失函数修正使平均性能提升了46%。
引用
@article{arxiv.2012.04445,
title = {Split: Inferring Unobserved Event Probabilities for Disentangling Brand-Customer Interactions},
author = {Ayush Chauhan and Aditya Anand and Shaddy Garg and Sunny Dhamnani and Shiv Kumar Saini},
journal= {arXiv preprint arXiv:2012.04445},
year = {2020}
}
备注
9 pages