1. 背景概览
在营销场景中，需要给不同的用户给出不同的营销动作，从而提升收益，如触达方式、广告投放或发放优惠券等。但往往我们无法同一时间观察实施不同动作下能带来的收益。Uplift Model是因果推断(Causal Inference)的一种应用，是根据A/B实验，对相似用户在不同营销动作下的增益，作为用户在不同营销动作下的增益，就如在不同的平行世界观察观察对不同营销动作的反应。
2. 方法介绍
Uplift Model是需要基于以往AB实验的数据积累，将无营销动作（对照组）和有营销动作（实验组）构建模型，如下图所示。其中，在AB实验时实验组和对照组用户同分布。目前，Ulift Model的库CausalML、EconML和pylift等，本文后续Uplift Model使用均CausalML。后续主要介绍Uplift Model中的T-Learner、S-Learner、X-Learner和Causal Tree，除了这几种方法之外，还有R-Learner，NN中的TARNet、SITE和DragonNet等等
2.1 T-Learner
论文地址：https://arxiv.org/pdf/1706.03461.pdf
T-Learner （Two Model）是将对照组和实验组分开建模，然后实验组模型与对照组模型响应概率的差即为提升值。以下是单Treatment场景的具体流程：
步骤1: 使用对照组数据X和对应标签Y，训练模型
μ 0 ( x ) = E [ Y ( 0 ) ∣ X = x ] \mu _{0}(x)=\mathbb{E} [Y(0)|X=x] μ0(x)=E[Y(0)∣X=x]
步骤2: 使用实验组数据X和对应标签Y，训练模型
μ 1 ( x ) = E [ Y ( 1 ) ∣ X = x ] \mu _{1}(x)=\mathbb{E} [Y(1)|X=x] μ1(x)=E[Y(1)∣X=x]
步骤3: 计算样本x的动作带来的Uplift Score
τ ^ T = μ ^ 1 ( x ) − μ ^ 0 ( x ) \hat{\tau}_{T}=\hat{\mu}_{1}(x)-\hat{\mu}_{0}(x) τ^T=μ^1(x)−μ^0(x)
T-Learner Python使用
from xgboost.sklearn import XGBClassifier from causalml.inference.meta import BaseTClassifier from causalml.dataset import make_uplift_classification from sklearn.model_selection import train_test_split df, x_names = make_uplift_classification(treatment_name=['control', 'treatment']) df_train, df_test = train_test_split(df, test_size=0.2, random_state=111) base_model = XGBClassifier() clf = BaseTClassifier(learner=base_model,control_name='control') clf.fit(df_train[x_names].values, treatment=df_train['treatment_group_key'].values, y=df_train['conversion'].values) y_pred = clf.predict(df_test[x_names].values) 2.2 S-Learner
论文地址：https://arxiv.org/pdf/1706.03461.pdf
S-Learner是指单一模型，把对照组和实验组放在一起建模，把营销动作作为一个特征（如将对照组），特征加入训练特征，如下图所示。在预测时，改变不同的W值计算相应率，从而与对照组相减得到uplift score。
模型流程如下：
步骤1: 将样本X’和W(干预动作)合并，训练模型
μ ( x , ω ) : = E [ Y o b s ∣ X = x , W = ω ] \mu (x,\omega ) :=\mathbb{E}[Y^{obs}|X=x,W=\omega ] μ(x,ω):=E[Yobs∣X=x,W=ω]
步骤2: 将待计算样本x，加入不同W取值，从而计算实验组所带来的提升（不同实验组响应率-对照组响应率）
τ ^ S ( x ) = μ ^ ( x , 1 ) − μ ^ ( x , 0 ) \hat{\tau}_{S}(x)= \hat{\mu}(x,1)- \hat{\mu}(x,0) τ^S(x)
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ji-chu/85256.html