因果推断在游戏中的应用 - 2022数据科学峰会.pdfVIP

因果推断在游戏中的应⽤ CONTENTS 01 02 游戏中的因果推断：挑战与解决⽅案 分布式低复杂度倾向性分数匹配 03 04 分布式鲁棒双重稳健估计 分布式⾯板双重差分 | | 01 游戏中的因果推断： 挑战与解决⽅案 游戏中的因果推断：挑战与解决⽅案 游戏场景中 问 • 因为⽤户体验及隐私个⽅⾯的因素，通常是缺乏实验数据 题 • ⽽观察数据中的⼲预不是随机的，带有⼈⼯运营或算法的选择偏差 ○ ⾼活跃⽤户与低活跃⽤户被过度⼲预 利⽤观测数据： • 可使⽤ATT （⼲预组平均处理效应） = − |= 1 来评估对受到⼲预⼈群的效应 可 ○ 例如使⽤倾向性得分匹配（PSM），PSM可以将⼲预组和对照组进⾏⼀对⼀匹配，并且可以提取匹配后的⽤户个体 行 • 可使⽤因果推断计算ATE （平均处理效应） = − 来评估整体效应，需要通过加权的⽅ 性 式使得样本分布均衡 方 ○ 备选⽅案有Inverse-Probability-Treatment-Weighting(IPTW) / Double-Machine-Learning(DML) / Double- 案 Robust-Estimator(DRE) / X-Learner ○ 例如使⽤双重稳健估计（DRE），由于在业务中可能⽆法覆盖全部的混淆因⼦，DRE在这种场景下更加稳健，并且 DRE可以在倾向性分数预测不准的情况下，通过结果预测来调整 | 游戏中的因果推断：挑战与解决⽅案 技术挑战 解决方案 ○⼀般因果推断⽆法解决我们业 ○⾯对游戏中的⼤规模推断场景， 务中遇到的数据量巨⼤的问题 本演讲将涵盖以下三个⽅⾯： • 常⻅的因果推断⼯具集例如微软 • 分布式低复杂度倾向性分数匹配 econml, dowhy和uber causalml均不 • 分布式鲁棒双重稳健估计 是分布式实现 • 分布式⾯板双重差分 ○众多业务均需要精细化运营策 略，多场景的数据量挑战巨⼤ | | 02 分布式低复杂度倾向性分数匹配 分布式低复杂度倾向性分数匹配（Hist-PSM） KNN-PSM的通过逐⼀