[论文解读] Uplift Modeling for Multiple Treatments with Cost Optimization

Zhenyu Zhao, Totte Harinen|arXiv (Cornell University)|Aug 14, 2019

Advanced Causal Inference Techniques参考文献 46被引用 4

一句话总结

本文将元学习器提升模型扩展至支持多种治疗组且治疗成本各异的场景，引入净收益优化以平衡转化收益与治疗成本。所提出的NV-Rlearner与NV-Xlearner模型在合成数据和真实世界数据上均优于标准方法，在净收益和计算速度方面表现更优。

ABSTRACT

Uplift modeling is an emerging machine learning approach for estimating the treatment effect at an individual or subgroup level. It can be used for optimizing the performance of interventions such as marketing campaigns and product designs. Uplift modeling can be used to estimate which users are likely to benefit from a treatment and then prioritize delivering or promoting the preferred experience to those users. An important but so far neglected use case for uplift modeling is an experiment with multiple treatment groups that have different costs, such as for example when different communication channels and promotion types are tested simultaneously. In this paper, we extend standard uplift models to support multiple treatment groups with different costs. We evaluate the performance of the proposed models using both synthetic and real data. We also describe a production implementation of the approach.

研究动机与目标

• 填补现有文献中对多治疗组实验的提升建模研究空白，此类实验在工业界常见但尚未得到充分探索。
• 将治疗成本整合进提升建模框架，以支持成本敏感的决策制定，因为现实世界中的干预措施通常具有不同的运营或机会成本。
• 使用合成数据和真实数据评估扩展后的元学习器模型在多治疗场景下的性能，重点关注净收益与计算效率。
• 开发并部署一个可扩展的平台实现，支持生产环境中在线与离线的提升建模。
• 提供实证证据表明，成本敏感模型在净收益优化方面优于标准提升模型，即使平均转化率较低。

提出的方法

• 通过将结果估计与倾向得分估计适配至多治疗组，将两种标准元学习器框架（R-learner与X-learner）扩展至多治疗场景。
• 提出一种净收益目标函数，结合增量转化概率与治疗成本，实现对每位用户期望净收益的优化。
• 在元学习器训练过程中使用加权损失函数，优先考虑净收益（转化收益减去成本）更高的治疗组。
• 采用交叉验证并以AUUC作为评估指标，从不同配置中选择表现最佳的模型。
• 在可扩展的基于Python的平台上实现模型，支持在线实时推理与离线批处理。
• 通过API或批处理管道将模型输出集成至生产系统，用于在线服务（如应用内通知）与离线系统（如CRM平台）。

实验结果

研究问题

• RQ1 标准元学习器提升模型能否有效扩展至处理单个治疗组与对照组之外的多种治疗组？
• RQ2 在提升建模目标中引入治疗成本后，与忽略成本的标准化提升模型相比，净收益表现如何提升？
• RQ3 所提出的净收益优化模型（NV-Rlearner、NV-Xlearner）与基线模型相比，在净收益与计算效率方面的相对表现如何？
• RQ4 在治疗成本异质且转化结果多样的真实世界场景中，模型表现如何？
• RQ5 在生产系统中大规模部署提升模型时，面临哪些实际挑战与设计考量？

主要发现

• NV-Rlearner与NV-Xlearner模型在人均净收益方面显著优于标准提升模型及原始实验组，95%置信区间显示具有统计显著性。
• 即使平均转化率低于高转化治疗组，净收益优化模型仍能实现更高的期望净收益，证明了成本敏感优化的价值。
• 在真实世界数据上，NV-Rlearner与NV-Xlearner模型在净收益与计算速度方面均优于其他多治疗组提升模型。
• 在增量转化价值低于治疗成本的场景中（如高成本电话联系），净收益优化模型能正确避免选择此类治疗。
• 平台实现成功支持在线与离线使用场景，实现基于用户级提升预测的实时与批处理投放。
• 实证结果表明，无论是标准元学习器还是非成本敏感模型，均无法提升净收益，因其在治疗选择中未能合理权衡成本代价。