原创力文档- 1、本文档共37页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
因果推断
在腾讯视频增长业务的应用
常铮/邹奇/林宜蓁
分享框架
一、业务场景落地：
Uplift增益模型，加强用户理解。识别用户对策略的HTE，优化策略收益
1，uplift模型方法对比和模型效果评估
2，四个实际落地案例
PSM用户匹配，开展增量评估。作为AB实验的补充工具，评价策略效果
1，对于PSM准入逻辑和评估步骤，总结了一套方法论
2，四个实际落地案例
二、技术创新探索：
为解决海量样本的因果推断，我们封装了SparkCausalML，一个用来做因果推断的PySpark包
Uplift增益模型
开始之前，让我们复习一下营销用户的四个象限
“干预”以发放优惠券为例。横坐标表示用户在“无干预”情况下的购买情况，纵坐标表示用户在“有干预”情况下的购买情况
Surethings：自然转化型用户，不管发不发，都会购买。
Sleepingdogs：南辕北辙型用户，不发优惠券会买，发了反而不买。
Persuadables：干预敏感型用户，只有发优惠券才会购买，不发则不买。
Lostcauses：心如磐石型用户，不管发不发都不买。
响应模型（ResponseModel）VS敏感模型（UpliftModel）
发优惠券无优惠券
人群是否下发？Uplift是否下发？
购买转化率购买转化率
A0.9是0.90.0待定
B0.7是0.8-0.1否
C0.4否0.10.3是干预敏感型
D0.2否0.20.0待定
Uplift模型方法比较
使用Uplift增益模型来估计某种干预对个体行为的因果效应。
将人群X随机分为实验组和对照组，给实验组施加干预T，计算某输出指标Y在两组中的差异，即为干预带来的增量。
常用MetaLearner：
S-learner：One-Model的差分响应模型
把用户是否受干预(T)作为特征一起加入到模型构建中，
在面对多类型干预的情况下（如干预金额大小不一样），
也可以直接进行建模。
T-learner：Two-Model的差分响应模型
基于两个样本群体）分别建立响应模型，对预测组的用
户，分别使用两个模型进行预测，对预测结果进行差分，
这个差分值就是干预的提升量（upliftscore）。
X-learner：基于T-learner的反事实推断模型
用无干预模型预测有干预群体的无干预结果，用有干预
模型预测无干预群体的有干预结果，通过与实际结果差
分计算提升值，把提升值作为因变量重新构建双模型，
最后引入PSM加权得到最后的提升评估结果。
NNbased的深度模型：
DragonNet（投放业务使用）
使用多任务方法，共享底层表征并将propensityscore
估计和upliftscore估计合并到一个网络。
Uplift模型效果评估
对于每一个样本只能进行干预或者不干预，无法获得相反的结果（反事实结果），因此，uplift没有ground
truth，从而无法像回归模型中
文档评论（0）