基于双阶段训练的面向线上商户业务诊断的上下文感知提升模型 TSCAN
机器学习
2026-02-03 v3
摘要
ITE 估计的主要挑战之一是样本选择偏差。传统方法采用积分概率度量（IPM）、再加权或倾向得分建模等治疗正则化技术以缓解此偏差。但这些正则化可能引入信息损失，限制模型性能。此外，治疗效应在不同外部上下文中会有所变化，现有方法不足以充分与这些上下文特征互动并加以利用。为此，我们提出基于双阶段训练的上下文感知提升模型（TSCAN），包含 CAN-U 与 CAN-D 两个子模型。在第一阶段，训练提升模型 CAN-U，包含 IPM 与倾向得分预测的治疗正则化，以生成带有反事实提升标签的完整数据集。在第二阶段，训练模型 CAN-D，采用等辆输出层直接建模提升效应，消除对正则化组件的依赖。CAN-D 通过强化事实样本来自适应纠正 CAN-U 的估计误差，避免了前述正则化的负面影响。此外，我们在整个双阶段过程中引入上下文感知注意力层，以管理治疗、商户与上下文特征之间的相互作用，从而在不同上下文中建模变化的治疗效应。我们在两个真实数据集上进行大量实验以验证 TSCAN 的有效性。最终，我们的模型在中国最大的线上外卖平台之一的实际商户诊断部署中证明了其实际效用与影响。
引用
@article{arxiv.2504.18881,
title = {TSCAN: Context-Aware Uplift Modeling via Two-Stage Training for Online Merchant Business Diagnosis},
author = {Hangtao Zhang and Zhe Li and Kairui Zhang},
journal= {arXiv preprint arXiv:2504.18881},
year = {2026}
}
备注
15 pages,7 figures