跳转至

从预测到增量：大规模目标定位与推荐的因果优化

文章背景与核心概要

传统的工业级目标定位与推荐系统主要依赖于预测模型，通过预测分数结合启发式规则或局部资源分配来决定推送内容。然而，当业务的核心目标是驱动“增量影响”（如营销活动、激励措施或用户通知）时，这种基于预测的范式往往会产生资源错配，将资源浪费在那些即便没有干预也会产生行为的用户身上。

本文提出了一种以决策为中心的框架，旨在全局约束条件下直接优化因果效应。该框架集成了三个核心组件：基于 Transformer 主干的因果神经网络（用于个体处理效应估计）、贝叶斯神经赌博机探索层（用于不确定性感知），以及基于对偶的大规模线性规划分配层（用于约束条件下的资源分配）。

该研究通过离线赌博机模拟、架构消融实验以及在 LinkedIn Feed 营销流量上的在线 A/B 测试验证了其有效性。实验结果显示，该框架实现了统计学意义上 +7.20% 的长期价值提升，证明了在大规模生产环境中实施因果优化的可行性，并为因果训练数据构建及成本控制提供了宝贵的工程实践经验。

论文元数据 (Paper Metadata)

  • arXiv ID: arXiv:2608.10182 [cs.LG]
  • 学科分类: 机器学习 (cs.LG); 人工智能 (cs.AI)
  • 提交日期: 2026年8月10日
  • 作者:
  • Changshuai Wei
  • John Bencina
  • Phuc Nguyen
  • Andre Assuncao Silva T Ribeiro
  • Benjamin Zelditch

摘要 (Abstract)

大规模目标定位和推荐系统通常围绕预测分数构建，并输入到启发式或局部资源分配系统中。当业务目标是实现增量影响（如营销活动、激励措施和通知）时，这种范式会系统性地将资源错配给那些无论如何都会采取行动的用户。我们提出了一种以决策为中心的框架，在全局约束下直接优化因果效应，并将三个组件统一在一个目标下：用于个体处理效应估计的 Transformer 主干因果神经网络、用于不确定性感知探索的贝叶斯神经赌博机层，以及用于约束分配的基于对偶的大规模线性规划层。该框架还通过 Transformer 编码器和结果嵌入支持序列上下文和多结果、属性条件化评分。我们通过公共赌博机数据集上的离线模拟、针对性的架构消融实验以及 LinkedIn Feed 营销流量上的在线 A/B 测试对其进行了评估。我们还总结了因果训练数据构建以及成本和交付控制方面的生产经验，这些对于成功部署至关重要。端到端的处理策略在主要长期价值指标上实现了统计学意义上 +7.20% 的提升，证明了在业务约束下进行生产级因果优化的可行性。

核心框架组件 (Key Framework Components)

  1. 因果神经网络： 利用 Transformer 主干网络专门用于个体处理效应（Individual Treatment-Effect）的估计。

    1. Causal Neural Network: Utilizes a Transformer backbone dedicated to individual treatment-effect estimation.

  2. 不确定性感知探索： 实现了贝叶斯神经赌博机（Bayesian neural-bandit）层。

    1. Uncertainty-Aware Exploration: Implements a Bayesian neural-bandit layer.

  3. 约束分配： 依赖于基于对偶的大规模线性规划层，以处理全局业务边界和限制。

    1. Constrained Allocation: Relies on a dual-based large-scale linear-programming layer to handle global business boundaries and limitations.

  4. 上下文与多结果支持： 利用 Transformer 编码器和结果嵌入来处理序列上下文和属性条件化评分。

    1. Contextual & Multi-Outcome Support: Leverages a Transformer encoder along with outcome embeddings to process sequential contexts and attribute-conditioned scores.

访问与资源 (Access & Resources)

license icon