Causal Predictive Optimization and Generation for Business AI
LinkedIn Corporation(LinkedIn公司)
针对B2B企业销售流程优化的核心需求,提出包含因果预测层、约束优化层、生成式服务层的因果预测优化与生成框架,在LinkedIn部署后效果优于旧系统,提供了可复用的行业经验。
2025-05-21 cs.AI cs.IR cs.LG
Heterogeneous Causal Learning for Optimizing Aggregated Functions in User Growth
University of Toronto(多伦多大学)
针对用户增长营销优化,提出基于深度学习的异构因果学习方法,直接建模业务指标提升并联合优化聚合损失,实验显示比最先进方法提升超20%,已全球部署。
2025-07-07 cs.LG
A Multi-Objective Learning to re-Rank Approach to Optimize Online Marketplaces for Multiple Stakeholders
Expedia LPS(亿客行旅行社合作伙伴解决方案)
多目标推荐系统解决了推荐与多个可能冲突的标准相关的项目的困难任务。然而,这些系统通常被设计为解决一个单一的利益相关者的目标,通常,在在线商务中,消费者的输入和购买决策最终决定了推荐系统的成功。在这项工作中,我们解决多目标,多利益相关者,建议问题涉及一个或多个目标(S)每个利益相关者。除了消费者利益相关者之外,我们还考虑了另外两个利益相关者:提供商品和服务的供应商,以及负责通过推荐算法帮助消费者与供应商联系的中介。我们分析的多目标,多利益相关者,问题的角度来看,在线市场中介的目标是最大限度地提高其佣金通过其推荐系统。我们定义了一个多目标问题,涉及我们所有的三个利益相关者,我们解决了一个新的学习重新排名的方法,利用一个新的正则化函数的基础上的肯德尔tau相关性度量及其内核版本;给定为消费者建立的项目推荐的初始排名,我们的目标是重新排序,使得新的排序也针对次要目标进行优化,同时保持接近初始排序。我们评估我们的方法在Expedia提供的酒店推荐的真实数据集上,我们展示了我们的方法对面向业务规则的基线模型的有效性。
2017-08-03 cs.IR cs.LG
Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
The University of Tokyo(东京大学);Mizuho-DL Financial Technology Co., Ltd.(瑞穗-DL金融科技有限公司);NP-hard
针对生成式AI环境下营销数据缺失问题,提出GMMM因果推断框架,结合GEO与GEM数据估计业务影响,并通过英日模拟验证其性能。
2026-09-11 cs.AI cs.LG econ.EM
Interpretable Multiple Treatment Revenue Uplift Modeling
Humboldt-Universität zu Berlin(柏林洪堡大学)
大数据和商业分析是商业和社会转型的关键驱动力。可持续发展模型通过预测客户行为的变化来支持公司的决策。以前的工作检查模型的单一治疗和二进制客户的反应。本文扩展了相应的方法,通过开发多处理和连续结果的隆升模型。这有助于从一系列备选方案中选择最佳治疗方案,并以连续规模的业务成果形式估计治疗效果。另一个贡献出现从隆起模型的可解释性的评价,而以前的研究几乎完全集中在预测性能。为了实现这些目标,本文开发了基于最近推出的因果机器学习算法,因果森林的多种治疗方法的收入提升模型。使用两个真实世界的营销数据集的实证实验表明,所提出的建模方法的优势,基准和标准的营销实践。
2021-01-09 cs.LG
Integrating Unstructured Text into Causal Inference: Empirical Evidence from Real Data
Amazon(亚马逊公司);Stanford University(斯坦福大学)
本文提出利用变压器语言模型从非结构化文本中进行因果推理,通过实证研究验证了非结构化文本在因果推断中的有效性,拓展了因果推理在数据稀缺场景下的应用。
2026-02-15 cs.AI cs.LG
Decision Support for Marketplace Policies under Incomplete Evidence: From Replay to Launch Readiness
Department of Mathematics(数学系);Embry-Riddle Aeronautical University(埃姆布里-瑞德航空大学)
本文提出支持感知决策支持系统,通过整合回放、支持感知离线策略评估、保守下界排名等方法,评估政策发布准备度,避免过度承诺。
2026-05-13 cs.LG stat.AP
Learning When to Treat Business Processes: Prescriptive Process Monitoring with Causal Inference and Reinforcement Learning
University of Melbourne(墨尔本大学);University of Tartu(塔尔图大学);DeepMind(深度思维)
提高流程的成功率,即以积极结果结束的案例的百分比,是一个经常性的流程改进目标。在运行时,通常会有某些操作(也称为处理),工作人员可以执行这些处理以提高病例以积极结果结束的概率。例如,在贷款发放过程中,一种可能的处理方法是发出多个贷款要约,以增加客户接受贷款的可能性。每一种治疗都有成本。因此,在为病例制定治疗方案时,管理人员需要考虑治疗的净收益。此外,治疗的效果随着时间的推移而变化:早期治疗病例可能比晚期治疗更有效。本文提出了一种规范的监测方法,自动化这一决策任务。该方法结合因果推理和强化学习来学习最大化净增益的治疗策略。该方法利用保形预测技术,通过将可能最终得到积极或消极结果的情况与不确定的情况分开来加速强化学习机制的收敛。两个现实生活中的数据集上的评估表明,所提出的方法优于国家的最先进的基线。
2023-03-07 cs.AI cs.LG stat.ME
Estimating Causal Effects of Multi-Aspect Online Reviews with Multi-Modal Proxies
Arizona State University(亚利桑那州立大学);City University of Hong Kong(香港城市大学)
在线评论使消费者能够与公司互动并提供重要的反馈。由于高维文本的复杂性,这些评论通常被简化为单个数值分数,例如,评级或情感得分。这项工作从经验上研究了用户生成的在线评论在粒度级别上的因果影响:我们考虑了多个方面,例如,餐厅的食物和服务。了解消费者对不同方面的意见,有助于详细评估企业绩效,并有效地制定企业运营战略。具体来说,我们的目标是回答干预问题,如什么将餐厅的人气,如果质量w.r.t.它的方面服务增加了10%?用观察数据进行因果推断的定义性挑战是存在“混杂因素”,这可能无法观察或测量,例如,消费者对食品类型的偏好,使估计的效果有偏差和高方差。为了应对这一挑战,我们求助于多模式代理,例如消费者个人资料信息以及消费者与企业之间的互动。我们展示了如何有效地利用丰富的信息来识别和估计嵌入在在线评论中的多个方面的因果关系。对合成和真实世界数据的实证评估证实了所提出的方法的有效性,并阐明了可操作的见解。
2022-01-02 cs.AI cs.LG stat.ME
Heterogeneous Causal Learning for Effectiveness Optimization in User Marketing
Uber Inc.(优步公司)
用户营销是以消费者为基础的互联网公司的重点。学习算法可以有效地优化营销活动,提高用户参与度,并促进相关产品的交叉营销。通过奖励吸引用户,营销方法可以有效地提高用户对所需产品的活跃度。奖励会产生大量成本,这些成本可以通过未来收入的增加来抵消。大多数方法依赖于流失预测,以防止失去用户来做出营销决策,这无法通过业务指标捕获反事实结果的提升。其他预测模型能够估计异质性的治疗效果,但未能捕捉成本与效益的平衡。我们提出了一个用户营销的治疗效果优化方法。该算法从过去的实验中学习,并利用新的优化方法来优化用户选择的成本效率。该方法使用深度学习优化模型来优化决策,以对待和奖励用户,这对于产生具有成本效益的、有影响力的营销活动是有效的。我们的方法通过与深度学习方法集成并处理业务约束,展示了卓越的算法灵活性。我们的模型的有效性超过了准预言估计(R-learner)模型和因果森林。我们还建立了反映成本效益和真实业务价值的评估指标。我们提出的约束和直接优化算法优于24.6%相比,在现有技术和基线方法的最佳性能的方法。该方法在许多产品场景中是有用的,例如最佳治疗分配,并且已在全球范围内部署在生产中。
2020-04-21 cs.LG stat.ML
Valuing an Engagement Surface using a Large Scale Dynamic Causal Model
Amazon(亚马逊公司)
本文提出一种大规模动态因果模型,用于理清AI驱动的参与界面(ES)为客户和企业带来的因果价值,并通过评估投资回报与识别高价值产品线及功能来支持业务决策。
2024-08-21 cs.LG econ.EM stat.AP
From Prediction to Incrementality: Causal Optimization for Large-Scale Targeting and Recommendation
LinkedIn(领英)
该研究针对大规模定向投放与推荐系统的资源错配问题,提出以决策为中心的因果优化框架,经实验验证可实现主要长期价值指标7.20%的统计显著提升,证明了生产规模因果优化的可行性。
2026-08-12 cs.AI cs.LG
Automated machine learning: AI-driven decision making in business analytics
University of Oxford(牛津大学);University of Strathclyde(斯特拉斯克莱德大学)
本文分析了AutoML在商业分析中的应用潜力,通过将H2O AutoML框架与手动调优的堆叠ML模型在三个真实数据集上对比,发现AutoML虽略逊一筹但快速易用且结果可靠,能有效缩短开发周期并弥合专家供需差距。
2025-06-02 cs.AI cs.CE cs.LG
Causal Decision Making and Causal Effect Estimation Are Not the Same... and Why It Matters
HKUST(香港科技大学);NYU(纽约大学);Compass Inc.(Compass公司)
基于机器学习的因果决策(CDM)已经成为商业的常规部分。企业在算法上有针对性地提供优惠、激励和建议,以影响消费者的行为。最近,我们看到了与CDM和使用机器学习模型的因果效应估计(CEE)相关的研究的加速。本文强调了一个重要的观点:CDM与CEE不同,并且与直觉相反,准确的CEE对于准确的CDM来说是不必要的。我们的经验是,这不是很好地理解从业者或大多数研究人员。从技术上讲,感兴趣的被估量是不同的,这对清洁发展机制的建模和统计模型的使用都有重要的影响。我们借鉴以前的研究,强调三个影响。(1)我们应该仔细考虑因果机器学习的目标函数,如果可能的话,优化准确的治疗分配,而不是准确的效应量估计。(2)混淆对CDM的影响与对CEE的影响不同。结果是,为了支持CDM,使用混杂数据和使用非混杂数据学习可能一样好,甚至更好。最后,(3)因果统计建模可能不是支持CDM所必需的,因为统计建模的代理目标可能做得一样好或更好。这第三个观察有助于解释至少一种乍一看似乎是错误的普遍的CDM做法:广泛使用非因果模型来确定干预措施。最后两个含义在实践中特别重要,因为获取所有反事实的(无混杂)数据可能成本高昂,而且往往不切实际。这些发现开辟了大量的研究领域。我们希望通过指出来自多个贡献领域的相关文章,包括过去三到四年发表的二十多篇文章,来促进这一领域的研究。
2021-09-30 cs.LG stat.ML
Causal Analysis of Customer Churn Using Deep Learning
The University of Technology Sydney(悉尼科技大学);Advanced Analytics institute (AAi)(高级分析研究院)
本文面向客户流失预测与归因,提出结合深度前馈神经网络、序列模式挖掘和因果贝叶斯网络的分析框架,实验显示其与XGBoost优于既有方法,并识别出超级年金流失的关键混淆因素。
2023-04-20 cs.CY cs.LG
To do or not to do: cost-sensitive causal decision-making
Solvay Business School(索尔维商学院);Vrije Universiteit Brussel(布鲁塞尔自由大学);Faculty of Economics and Business(经济与商业学院);Katholieke Universiteit Leuven(鲁汶大学)
因果分类模型在各种操作业务流程中采用,以根据流程实例特征预测处理对感兴趣的分类业务结果的影响。这允许优化操作决策,并选择最佳治疗方法应用于每个特定情况,目的是最大限度地提高积极结果率。虽然在文献中已经提出了各种强大的方法来学习因果分类模型,但考虑到各种治疗的成本和潜在结果的益处,还没有正式的框架来阐述基于估计的个体治疗效果的最佳决策。因此,在这篇文章中,我们扩展了预期值框架,并正式引入了一个成本敏感的决策边界的双二元因果分类,这是一个线性函数的估计个人治疗效果,积极的结果概率和成本和效益参数的问题设置。该边界允许对阳性和阴性治疗类别中的实例进行因果分类,以最大化预期的因果利润,这是作为成本敏感因果分类中的目标引入的。我们引入了预期因果利润排名器,它在每个可能的阈值上对因果分类实例进行排名,以最大化预期因果利润,并且不同于传统的基于个体治疗效果的排名方法。建议的排名方法进行实验评估合成和营销活动的数据集。结果表明,所提出的排名方法有效地优于成本不敏感的排名方法,并允许提高盈利能力。
2021-01-05 cs.AI cs.LG stat.ML
Counterfactual Optimal Action Trees (COAT): Interpretable Prescriptive Policies from Observational Data
IBM Research(IBM研究院)
研究从观测数据学习可解释规范性策略的问题,核心方法是结合反事实结果估计与大规模混合整数优化的COAT框架,主要贡献是应用于航空公司辅助定价提升收入,推动扩大采用及相关决策举措。
2026-07-17 cs.LG
Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy
Deepit Sapru
本文提出一个优化客户定向的营销决策框架,结合异质处理效应估计与明确业务保护规则,旨在最大化收入和留存同时遵守预算、收入保护和客户体验等约束。
2026-02-04 cs.LG stat.ME
Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework
London School of Economics and Political Science(伦敦政治经济学院);Institute of Systems Science, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院系统科学研究所);ByteDance(字节跳动);The Univeristy of North Carolina at Chapell Hill(北卡罗来纳大学教堂山分校);University of Michigan(密歇根大学);North Carolina State University(北卡罗来纳州立大学)
A/B测试或在线实验是制药、技术和传统行业比较新产品和旧产品的标准商业策略。主要挑战出现在双边市场平台的在线实验中(例如,Uber),其中只有一个单元随时间接受一系列治疗。在这些实验中,在给定时间的治疗影响当前结果以及未来结果。本文的目的是引入一个强化学习框架,在这些实验中进行A/B测试,同时表征长期治疗效果。我们提出的测试程序允许顺序监测和在线更新。它通常适用于不同行业的各种处理设计。此外,我们系统地研究了理论性质(例如,我们的测试程序的大小和功率)。最后,我们将我们的框架应用于模拟数据和从一家科技公司获得的真实数据示例,以说明其优于当前实践的优势。我们的测试的Python实现可以在https://github.com/callmespring/CausalRL上获得。
2022-11-03 cs.LG stat.ML
Ranking by Lifts: A Cost-Benefit Approach to Large-Scale A/B Tests
Indian School of Business(印度学校商业学院);The Wharton School University of Pennsylvania(沃顿商学院大学)
本文针对商业A/B测试中平衡提升值与错误发现成本的问题,提出基于预期提升值与成本比率排序的经验贝叶斯框架,结合贪心背包算法和局部错误发现率,在约束成本加权FDR下最大化利润,且性能优于现有方法。
2025-08-20 cs.LG stat.AP stat.ME
Deep End-to-end Causal Inference
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Cambridge(剑桥大学);Microsoft Research(微软研究院);G-Research
因果推断对于跨业务参与、医疗和政策制定等领域的数据驱动决策至关重要。然而,因果发现的研究已经从推理方法中独立出来,阻止了两个领域的方法的直接结合。在这项工作中,我们开发了深度端到端的因果推断(DECI),一个基于单流的非线性加性噪声模型,采用观测数据,可以执行因果发现和推理,包括条件平均处理效应(CATE)估计。我们提供了一个理论上的保证,DECI可以恢复标准的因果发现假设下的地面真相因果图。出于应用程序的影响,我们将此模型扩展到具有缺失值的异构混合类型数据,允许连续和离散的治疗决策。我们的研究结果显示,与因果发现和(C)ATE估计的相关基线相比,DECI在一千多个实验中具有竞争力的性能,这些实验涉及合成数据集和因果机器学习基准,跨越数据类型和缺失程度。
2022-06-20 cs.LG stat.ML
Tuning Derivatives for Causal Fairness in Machine Learning
Department of Statistics, Umeå School of Business, Economics and Statistics(统计系,乌梅亚商学院、经济学和统计学学院);Integrated Science Lab, Department of Physics(整合科学实验室,物理系)
本文提出一种针对连续保护属性的因果公平性框架,通过路径特定偏导数形式化统计平衡与预测平衡,并设计公平调优算法在无法实现完全公平时进行SP与PP的权衡。
2026-07-13 cs.AI cs.CY cs.LG
The foundations of cost-sensitive causal classification
Faculty of Economics and Business(经济与商业学院);Katholieke Universiteit Leuven(鲁文大学);Data Analytics Laboratory(数据分析实验室);Solvay Business School(索维亚商学院);Vrije Universiteit Brussel(布鲁塞尔自由大学);Department of Applied Mathematics and Theoretical Physics(应用数学与理论物理系);University of Cambridge(剑桥大学);School of Economics and Business(经济与商业学院);University of Chile(智利大学)
本研究构建统一评估框架整合成本敏感与因果分类,证明单行动下传统分类是因果分类特例,可实例化业务场景性能指标以实现利润最大化,推动相关学习方法发展与商业决策优化。
2025-05-16 cs.AI cs.LG stat.ML
Uplift Modeling: from Causal Inference to Personalization
本教程系统介绍因果推断与 uplift modeling 的核心方法、优劣、受约束设置及电商个性化生产应用挑战。
2023-08-17 cs.IR cs.LG
A Deep Causal Inference Approach to Measuring the Effects of Forming Group Loans in Online Non-profit Microfinance Platform
Graduate School of Business, Stanford University(斯坦福大学商学院)
本文针对在线非营利小额信贷平台Kiva,采用深度因果推理与自然语言处理深度学习技术,探究团体贷款对筹资时间的影响,发现团体贷款平均可缩短筹资时间约3.3天。
2026-08-25 cs.IR cs.LG q-fin.GN
Mitigating Divergence of Latent Factors via Dual Ascent for Low Latency Event Prediction Models
Yahoo Research(雅虎研究院)
现实世界的内容推荐市场表现出某些行为,并受到约束,这些约束在常见的静态离线数据集中并不总是明显的。广告市场中常见的一个例子是快速的广告周转率。每天都有新的广告出现,旧的广告消失。另一个示例是广告不连续性,其中现有广告可能由于各种原因(例如,预算耗尽、广告商暂停、系统标记等等)。这些行为有时会导致模型的损失曲面在短时间内发生显著变化。为了解决这些行为,新的模型非常重要,为了实现这一点(以及其他几个原因),通常会使用小块过去事件的增量训练。这些行为和算法优化偶尔会导致模型参数不受控制地变大,即\emph{diverge}。在这项工作中,提出了一个系统的方法,以防止模型参数发散施加精心选择的一组约束模型的潜向量。然后,我们设计了一种受原始-对偶优化算法启发的方法,以满足这些约束,其方式既与增量模型训练保持一致,又不需要对底层模型训练算法进行任何重大修改。我们分析,演示和激励我们的方法OFFSET,协同过滤算法,驱动雅虎原生广告,这是VZM的最大和增长最快的业务之一,达到每年数亿美元的运行率。最后,我们进行了一个在线实验,显示了大量减少的发散实例的数量,并显着改善用户体验和收入。
2021-11-15 cs.IR cs.LG stat.ML
GRPO for Financial Advice Generation: Outperforming Commercial LLMs under CATE Evaluation
Intuit(英图易(金融科技公司))
本研究将金融建议生成建模为强化学习问题,用GRPO微调开放权重大语言模型,经独立于评判者的CATE审计,其毛利润提升约为最强商用基线的两倍,表现优于商用大语言模型。
2026-08-13 cs.AI cs.CL cs.LG
A Causal Perspective on Loan Pricing: Investigating the Impacts of Selection Bias on Identifying Bid-Response Functions
KU Leuven(鲁汶大学);Vrije Universiteit Brussel(布鲁塞尔自由大学);University of Antwerp(安特卫普大学);imec(微电子研究中心)
本文从因果推断视角研究贷款定价中的出价选择偏差问题,将客户对价格的反应视为处理效应,通过在半合成数据集上的实验,证明因果机器学习方法能有效克服选择偏差,优于传统逻辑回归和神经网络。
2023-09-07 cs.LG econ.EM
Estimating Bidirectional Causal Effects with Large Scale Online Kernel Learning
Japan Society for the Promotion of Science(日本学术振兴会)
提出一种可扩展的在线核学习框架,结合异方差识别和拟极大似然估计,用于估计存在相互依赖和异方差系统中的双向因果效应,并通过随机傅里叶特征和自适应在线梯度下降实现高效计算。
2026-06-02 cs.LG stat.ME stat.ML
Causal Fairness Analysis
ETH Zürich(苏黎世联邦理工学院);Columbia University(哥伦比亚大学)
基于人工智能和机器学习的决策系统已被广泛应用于现实世界的各种场景,包括医疗保健、执法、教育和金融。展望未来,自主系统将推动整个业务决策,更广泛地说,支持大规模决策基础设施,以解决社会最具挑战性的问题,这不再是遥不可及的。当决策由人类做出时,不公平和歧视的问题普遍存在,当决策使用几乎没有透明度,问责制和公平性的机器时,这些问题仍然存在(或可能被放大)。在本文中,我们介绍了一个\textit{causal fairness analysis}的框架,旨在填补这一空白,即,理解,建模,并可能解决决策设置中的公平问题。我们的方法的主要见解将是将观察到的数据上存在的差异的量化与首先产生差异的潜在且通常未观察到的因果机制的集合联系起来,我们称之为因果公平性分析的基本问题(FPCFA)。为了解决FPCFA,我们研究的问题,分解的变化和公平性的经验措施,这种变化的结构机制和不同的人口单位。我们的努力最终在公平地图,这是第一次系统地尝试组织和解释文献中发现的不同标准之间的关系。最后,我们研究了进行因果公平性分析所需的因果假设,并提出了一个公平性食谱,它允许数据科学家评估不同影响和不同处理的存在。
2022-07-23 cs.AI cs.LG stat.ML
Interpretable Personalization via Policy Learning with Linear Decision Boundaries
Stanford University(斯坦福大学);University of California, Los Angeles(加州大学洛杉矶分校);New York University(纽约大学)
随着数字经济的兴起和消费者可用信息的爆炸式增长,商品和服务的有效个性化已成为企业提高收入和保持竞争优势的核心业务重点。本文通过策略学习的视角来研究个性化问题,其目标是学习一个决策规则(策略),该规则从消费者和产品特性(功能)映射到建议(操作),以优化结果(奖励)。我们专注于使用可用的历史数据进行离线学习,未知的数据汇集程序,其中一个关键的挑战是非随机分配的建议。此外,在许多商业和医疗应用中,策略的可解释性是必不可少的。我们研究了一类政策与线性决策边界,以确保可解释性,并提出学习算法使用因果推理的工具,以解决不平衡的治疗。我们研究了几种优化方案来解决相关的非凸,非光滑优化问题,并发现贝叶斯优化算法是有效的。我们测试我们的算法与广泛的模拟研究,并将其应用到一个匿名的在线市场客户购买数据集,其中学习的政策输出个性化的折扣建议的基础上,客户和产品的功能,以最大限度地提高总商品价值(GMV)的卖家。我们的学习策略使平台的净销售收入基线提高了88.2%,同时还提供了关于哪些功能对决策过程很重要的信息性见解。我们的研究结果表明,我们提出的策略学习框架使用因果推理和贝叶斯优化工具,提供了一个有前途的实用方法,可解释的个性化在广泛的应用。
2022-11-02 cs.LG econ.EM math.ST