基于图神经网络结合因果知识的 uplift 建模
机器学习
2023-11-16 v1 人工智能
机器学习
摘要
Uplift建模是营销效果建模的基本组成部分，常用于评估处理对结果的影响。通过uplift建模，我们可以识别获益最大的处理方案。另一方面，我们可以识别可能对特定处理作出有利决策的客户端。过去，uplift建模方法严重依赖双重差分（DID）架构，并搭配机器学习模型作为估计学习器，却忽视了特征之间的关联与隐含信息。我们提出了一种基于图神经网络的框架，将因果知识与uplift值估计相结合。首先，我们提出了一种基于CATE（条件平均处理效应）估计与邻接矩阵结构学习的因果表示技术。其次，我们提出了一种更可扩展的基于图卷积网络的uplift建模框架，用于融合因果知识。我们的结果表明，该方法可有效预测uplift值，在典型模拟数据中误差较小，且已在实际行业营销数据中验证其有效性。
引用
@article{arxiv.2311.08434,
title = {Uplift Modeling based on Graph Neural Network Combined with Causal Knowledge},
author = {Haowen Wang and Xinyan Ye and Yangze Zhou and Zhiyi Zhang and Longhan Zhang and Jing Jiang},
journal= {arXiv preprint arXiv:2311.08434},
year = {2023}
}
备注
6 pages, 6 figures