← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 7263.p · 生成模型:WorkBuddy (Claude)

因果提升模型基本设定

理解等级:中级

因果模型(Causal Models)在推荐里主要用于“提升模型(Uplift Model)”预测,典型场景如商家发优惠券促单。把发券看作一种干预,用户被分为四类:发券下单、不发券下单、发券不下单、不发券不下单;商家真正想干预的是“发券才下单、不发券不下单”的人群。提升模型衡量干预带来的增量:τ(x)=E[Y|do(T=1),x]−E[Y|do(T=0),x]。

它与监督学习最大区别在于“没有标签”:同一个用户要么被干预要么不被干预,无法同时观测两种结果(反事实缺失),因此提升模型更像强化学习——强化学习最大化奖励,提升模型最大化干预增量(找到干预下收益最大的用户)。由此衍生的具体建模有 [[S/T/X/R-Learner]]、[[树模型因果方法]]、[[标签转换法提升增益]] 等,评价则见 [[提升模型评价基尼与AUUC]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第8章《精排层的样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/103.html;src-052) - 结论依据:原文把提升模型定义为干预带来的增量、将用户分四类,并指出因果模型无标签、类似强化学习最大化增量。 - 原始内容:未知 8.5 因果场景 因果模型(Causal Models)在互联网界的应用主要是基于提升模型来预测的,主要应用于营销类业务,比如商家给用户发优惠券来促进销售