要約
アップリフト モデリングは、クーポンや割引などの介入に対して敏感な個人を特定するために、治療群と対照群の間の反応の違いを予測することにより、オンライン マーケティングで広く採用されてきました。
従来の \textit{コンバージョン上昇モデリング} と比較して、\textit{収益上昇モデリング} は企業収益と直接結びついているため、より高い可能性を示します。
しかし、これまでの研究では、収益向上モデリングにおける連続的なロングテール応答分布を処理することがほとんどできませんでした。
さらに、実際には上昇率モデリングの中核である、さまざまな個人間の上昇率ランキングの最適化を怠っています。
このような問題に対処するために、この論文では、まずゼロ膨張対数正規 (ZILN) 損失を利用して応答を回帰し、対応するモデリング ネットワークをカスタマイズします。このモデリング ネットワークは、既存のさまざまな隆起モデルに適応できます。
次に、ランキング関連の隆起モデリング誤差を理論的観点から研究し、従来の応答回帰損失に対する追加の損失項として 2 つのより厳しい誤差限界を提案します。
最後に、リストごとの上昇順位の損失を使用して、母集団全体の上昇順位誤差を直接モデル化します。
オフラインの公共および産業データセットでの実験結果は、収益向上モデリングに対する私たちの方法の有効性を検証します。
さらに、著名なオンラインフィンテックマーケティングプラットフォームであるTencent FiTで大規模な実験を実施し、現実世界のアプリケーションにおけるこの手法の優位性をさらに実証しています。
要約(オリジナル)
Uplift modeling has been widely employed in online marketing by predicting the response difference between the treatment and control groups, so as to identify the sensitive individuals toward interventions like coupons or discounts. Compared with traditional \textit{conversion uplift modeling}, \textit{revenue uplift modeling} exhibits higher potential due to its direct connection with the corporate income. However, previous works can hardly handle the continuous long-tail response distribution in revenue uplift modeling. Moreover, they have neglected to optimize the uplift ranking among different individuals, which is actually the core of uplift modeling. To address such issues, in this paper, we first utilize the zero-inflated lognormal (ZILN) loss to regress the responses and customize the corresponding modeling network, which can be adapted to different existing uplift models. Then, we study the ranking-related uplift modeling error from the theoretical perspective and propose two tighter error bounds as the additional loss terms to the conventional response regression loss. Finally, we directly model the uplift ranking error for the entire population with a listwise uplift ranking loss. The experiment results on offline public and industrial datasets validate the effectiveness of our method for revenue uplift modeling. Furthermore, we conduct large-scale experiments on a prominent online fintech marketing platform, Tencent FiT, which further demonstrates the superiority of our method in real-world applications.
arxiv情報
| 著者 | Bowei He,Yunpeng Weng,Xing Tang,Ziqiang Cui,Zexu Sun,Liang Chen,Xiuqiang He,Chen Ma |
| 発行日 | 2024-06-12 16:14:41+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google