UPlift Model

根据 [[营销人群四象限]]，应该针对 TR 人群进行营销活动。

Uplift 干预和不干预的差值

• 响应模型 Response Model，预测干预情况下用户是否购买

  • $\text { Outcome }=P(\text { buy } \mid \text { treatment })$

• uplift 通过干预和不干预的反事实来预估计算因果效应

  • $\text { Lift }=P(\text { buy } \mid \text { treatment })-P(\text { buy } \mid \text { no treatment })$

  • $\tau=Y(1)-Y(0)$

• 样本服从CIA ( [[Conditional Independence Assumption]] ) 条件独立假设

$\tau=Y(1)-Y(0)$ 通过随机对照实验收集数据：实验组全部干预，对照组都不干预。

• 利用条件平均因果效应[[CATE]]来预估给定条件下用户群体的平均因果效应

  • $\begin{aligned} \tau & =E[Y(1)-Y(0) \mid X] \\ & =E[Y(1) \mid X]-E[Y(0) \mid X] \\ & =E[Y(1) \mid T=1, X]-E[Y(0) \mid T=0, X]\end{aligned}$

• 利用一个人群的条件平均因果效应去近似个体因果效应

核心问题

• 混杂因素偏置 Confounding Bias

  • 干预机制导致选择偏差

• 归纳偏置

  • CATE 干预打分-非干预打分差值

模型方案

• [[Meta-Learner]]

  • [[S-Learner]] one-model 的差分响应模型 #card

    • 把用户是否干预作为特征加入到模型构建中

    • 优点

      • 可以直接使用现有分类算法

      • 减少双模型误差累积

      • 训练样本增加，提高模型精度

    • 缺点

      • 间接计算增量，无法根据增量对模型进行优化

  • [[T-Learner]] two-model 差分响应模型#card

    • 实验组和对照组的数据分别训练一套模型

    • 差分值就是 uplift socre

    • 缺点

      • 两个模型训练 bias 不一致，容易有累积误差

  • [[X-Learner]] 基于 T-Learner的反事实推断模型#card

    • 方法

      • 无干预组模型

        • $\hat{\mu}_0=f\left(X_0, Y_0\right)$

      • 有干预组模型

        • $\hat{\mu}_1=f\left(X_1, Y_1\right)$

      • 通过与实际结果差分计算增量

        • 用有干预模型预测无干预群体的有干预结果，无干预组近似增量 $D_0=\hat{\mu}_1\left(X_0\right)-Y_0$

        • 用无干预模型预测有干预群体的无干预结果，有干预组近似增量 $D_1=Y_1-\hat{\mu}_0\left(X_1\right)$

      • 根据增量建立两个模型，对增量建模可以引入相关先验知识提升模型精度

        • $\hat{\tau}_0=f\left(X_0, D_0\right)$

        • $\hat{\tau}_1=f\left(X_1, D_1\right)$

      • 引入 [[倾向性评分匹配]]PSM 加权得到最后提升评估结果

        • $\begin{aligned} & e(x)=P(W=1 \mid X=x) \\ & \hat{\tau}(x)=e(x) \hat{\tau}_0(x)+(1-e(x)) \hat{\tau}_1(x)\end{aligned}$

    • 优点

      • 适合实验组和对照组样本数量差别较大场景

      • 增量的先验知识可以参与建模，引入权重系数，减少误差

    • 缺点

      • 多模型造成误差累加

  • [[R-Learner]] 通过 Robinson’s transfomation 定义一个损失函数，然后通过最小化损失函数的方法达到对增量进行建模的目的。#card

    • 倾向性得分模型 $e(x)=P(W=1 \mid X=x)$

    • 通过 CV 方式对 Laebl Y 建模

      • $m^*(x)=\mathbb{E}[Y \mid X=x]$

    • 优化下面损失函数

      • $\tau^*(\cdot)=\arg \min _\tau\left\{\frac{1}{n} \sum_1^n\left(\left(Y_i-m^*\left(X_i\right)\right)-\left(W_i-e^*\left(X_i\right)\right) \tau\left(X_i\right)\right)^2+\Lambda(\tau(\cdot))\right\}$

      • 用权重为 $\left(W_i-e^*\left(X_i\right)\right)^2$ 的样本 X 去拟合 $\tau\left(X_i\right)=\frac{Y_i-m^*\left(X_i\right)}{W_i-e^*\left(X_i\right)}$

• CRFnet 和 EFIN （[[Explicit Feature Interaction uplift Network]]）

• 多目标 uplift 模型

[[Uplift Model 评估]] 不可能同时观察到同一个用户在不同干预策略下的响应，即使无法获取用户真实增量，无法用常规分类和回归问题的评估指标。

• 通过划分十分位数来对齐实验组和对照组数据去进行间接评估

• [[Qini curve]]

• [[AUUC]]