Integrated Marketing Attribution: A Bayesian Framework for Privacy-Safe Granular Measurement Anchored in MMM
提出集成营销归因（IMA）框架，结合营销组合模型（MMM）与贝叶斯归因模型，从聚合数据中推导出活动级效果，实现隐私安全且粒度精细的归因。
2026-06-23 cs.LG
A BERT based Ensemble Approach for Sentiment Classification of Customer Reviews and its Application to Nudge Marketing in e-Commerce
Walmart Global Tech（沃尔玛全球技术部门）
本文提出一种基于BERT的集成方法用于电商客户评论情感分类，并探讨其在助推营销中的应用，以提升顾客购买决策与平台互动。
2023-11-16 cs.CL cs.IR cs.LG
LinkLouvain: Link-Aware A/B Testing and Its Application on Online Marketing Campaign
Ant Financial Services Group（蚂蚁金融服务集团）
针对在线营销中用户互动干扰常规A/B测试的问题，提出结合链路预测的网络A/B测试方法LinkLouvain以最小化图干扰、准确估计ATE，经真实数据验证性能优异且已上线部署。
2021-02-03 cs.LG cs.SI
Targeted Advertising on Social Networks Using Online Variational Tensor Regression
本文提出首个基于张量的上下文老虎机框架TensorUCB，用于在线定向广告，通过在线变分算法处理多模式张量，显著提升影响力最大化任务性能。
2025-01-25 cs.LG cs.SI
Enhancing Uplift Modeling in Multi-Treatment Marketing Campaigns: Leveraging Score Ranking and Calibration Techniques
Best Buy Co., Inc（百思买公司）
本文提出一种利用分数排序和校准技术增强多处理营销活动提升建模的新方法，结合Meta-Learner校准与基于分数排序的优惠选择策略，在真实数据集上验证了其卓越性能与可靠性。
2024-08-27 cs.AI cs.LG stat.AP
Bayesian Regression for Predicting Subscription to Bank Term Deposits in Direct Marketing Campaigns
Institute of Computer Science and Computational Science, Universität Potsdam（波茨坦大学计算机科学与计算科学研究所）；Faculty of Statistics, Technische Universität Dortmund（多特蒙德工业大学统计学院）
本研究针对银行业直销中定期存款认购预测问题，利用葡萄牙银行的不平衡直销数据，经目标变量平衡后，用贝叶斯方法与留一交叉验证对比logit和probit模型，发现logit模型表现更优，为银行优化营销决策提供参考。
2024-10-28 cs.AI cs.LG
Optimising Individual-Treatment-Effect Using Bandits
University of Brussels (VUB)（布鲁塞尔自由大学（VUB））
在经济学、医疗保健和市场营销等领域应用因果推理模型受到机器学习社区的极大兴趣。特别是，在精准医疗和定向广告等环境中估计个体治疗效果（ITE）的应用已经达到顶峰。在强兼容性假设下优化该ITE-意味着所有表达对治疗结果影响的混杂因素都记录在数据中-通常被称为提升建模（UM）。虽然这些技术已被证明在许多环境中很有用，但由于概念漂移，它们在动态环境中会受到生动的影响。例如，当竞争对手的产品发布时，对营销活动的负面影响。针对这一点，我们提出了提升上下文多臂土匪（U-CMAB），一种新的方法来优化ITE借鉴土匪文学。真实和模拟数据的实验表明，我们提出的方法相比，有利的国家的最先进的。我们所有的代码可以在网上找到https://github.com/vub-dl/u-cmab。
2019-10-16 cs.AI cs.LG stat.ML
Multi-Task Combinatorial Bandits for Budget Allocation
North Carolina State University（北卡罗来纳州立大学）；Amazon（亚马逊）
本文将预算分配建模为多任务组合老虎机问题，提出融合贝叶斯层次模型、多种建模技术与汤普森采样的在线分配系统，并通过离线和在线实验验证其能有效最大化累计回报。
2024-08-31 cs.LG stat.ML
CXSimulator: A User Behavior Simulation using LLM Embeddings for Web-Marketing Campaign Assessment
CyberAgent, Inc.（CyberAgent公司）
本文提出CXSimulator框架，利用大语言模型嵌入表示用户行为事件并预测事件转移，从而模拟用户对新营销活动的反应，以低成本评估未测试的网络营销活动效果。
2024-07-31 cs.LG cs.SY eess.SY
SACO: Sequence-Aware Constrained Optimization Framework for Coupon Distribution in E-commerce
SACO框架通过整合序列建模和高效迭代更新，解决电商优惠券分发中的长期收入提升问题。
2026-02-02 cs.AI cs.LG
Adversarial Learning for Incentive Optimization in Mobile Payment Marketing
Ant Financial Services Group（蚂蚁金融服务集团）；Alibaba Group（阿里巴巴集团）
许多支付平台举办大规模的营销活动，分配奖励以鼓励用户通过其应用程序支付。为了使投资回报最大化，激励分配通常分为两个阶段。在训练响应估计模型以估计用户的移动支付概率（MPP）之后，应用线性规划过程来获得最优激励分配。然而，大量的有偏数据的训练集，产生的偏见，由以前的分配政策，导致有偏的估计。这种偏差会降低响应模型的性能，并误导线性规划过程，从而大大降低了分配策略的性能。为了克服这个障碍，我们提出了一个偏差校正对抗网络。我们的方法利用在完全随机分配策略下获得的一小部分无偏数据来训练无偏模型，然后使用它来减少对抗学习的偏差。离线和在线实验结果表明，我们的方法优于国家的最先进的方法，并显着提高了性能的分配政策在现实世界的营销活动。
2021-12-28 cs.LG
High-Frequency Pricing at Scale for E-Commerce
Zalando SE；Databricks
提出一种预测-优化框架，结合梯度提升树与多目标优化，实现时尚电商促销活动的每日高频定价，通过23次A/B测试验证，利润提升约6%。
2026-06-15 cs.LG
Graph Representation Learning for Merchant Incentive Optimization in Mobile Payment Marketing
Ant Financial Services Group（蚂蚁金融服务集团）
支付宝等移动支付已经广泛应用于我们的日常生活中。为进一步推广移动支付活动，重要的是通过向商家提供优惠券、佣金等激励措施，在有限的预算下开展营销活动。因此，激励优化是营销活动商业目标最大化的关键。通过对在线实验的分析，我们发现交易网络能够很好地描述商家对不同激励措施反应的相似性，这在激励优化问题中有很大的应用。本文提出了一种基于交易网络的图表示学习方法，用于移动支付营销中商家激励优化。通过从在线实验中收集的有限样本，我们的端到端方法首先基于属性交易网络学习商家表示，然后有效地对每个商家可能实现的商业目标与不同处理下的激励之间的相关性进行建模。因此，我们能够为每个商家的激励敏感度建模，并将最多的预算花在那些在营销活动中表现出强烈敏感性的商家上。在支付宝上的大量离线和在线实验结果证明了我们所提出的方法的有效性。
2020-02-27 cs.LG cs.SI stat.ML
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
An End-to-End Framework for Marketing Effectiveness Optimization under Budget Constraint
Kuaishou Inc（快手公司）
在线平台通常激励消费者提高用户参与度和平台收入。由于不同的消费者可能会对激励措施做出不同的反应，因此个人层面的预算分配是营销活动中的一项重要任务。在这一领域的最新进展往往解决预算分配问题，使用两个阶段的范例：第一阶段估计个人水平的治疗效果，使用因果推理算法，第二阶段调用整数规划技术，以找到最佳的预算分配解决方案。由于这两个阶段的目标可能并不完全一致，这样的两阶段模式可能会损害整体营销效果。在本文中，我们提出了一种新的端到端的框架，直接优化预算约束下的业务目标。我们的核心思想是构造一个正则化器来表示营销目标，并使用梯度估计技术有效地优化它。因此，所获得的模型可以直接和精确地学习最大化营销目标。我们广泛评估我们提出的方法在离线和在线实验，实验结果表明，我们的方法优于当前国家的最先进的方法。我们提出的方法目前已被部署用于为短视频平台上的数亿用户分配营销预算，并实现了显着的业务目标改进。我们的代码将公开。
2023-02-09 cs.LG
Response Transformation and Profit Decomposition for Revenue Uplift Modeling
School of Business and Economics, Humboldt-University of Berlin（柏林洪堡大学经济与商学院）；Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
营销活动规划中的可持续性模型支持决策。通过估计营销处理的因果效应，提升模型有助于将沟通目标对准响应客户，并有效分配营销预算。对提升模型的研究侧重于转换模型，以最大限度地增加销售额。本文介绍了提升建模策略，以最大限度地增加收入。如果客户在他们的消费行为不同，收入最大化是一个更合理的商业目标相比，最大化转换。所提出的方法需要转换的预测目标，客户层面的收入，这有利于实现一个因果提升模型使用标准的机器学习算法。由于许多非买家，竞选收入的分配通常是零膨胀的。针对这一建模挑战的补救措施以两阶段模型的形式纳入了拟议的收入提升战略。使用真实世界电子商务数据的实证实验证实了所提出的收入提升策略优于相关替代方案，包括转换的提升模型和最近开发的因果机器学习算法。为了量化改进的目标定位决策提高营销回报的程度，本文开发了一个运动利润的分解。将分解应用于数字优惠券定位活动，本文提供了证据，证明收入提升建模以及因果机器学习可以大幅提高广告利润。
2019-11-20 cs.LG stat.ML
Using item recommendations and LLMs in marketing email titles
Mercari Inc.（Mercari公司）
本文研究利用大语言模型为个性化营销邮件自动生成主题标题，通过离线模拟与数百万用户在线实验验证其能有效提升用户互动，并总结了大规模安全投产的关键经验。
2025-09-21 cs.LG
Leaving No One Behind: A Multi-Scenario Multi-Task Meta Learning Approach for Advertiser Modeling
Alibaba Group（阿里巴巴集团）
广告商在淘宝和亚马逊等许多电子商务平台中扮演着重要角色。满足他们的营销需求并支持他们的业务增长对于平台经济的长期繁荣至关重要。然而，与对用户建模（如点击率预测）的广泛研究相比，对广告商的关注要少得多，特别是在了解他们的不同需求和表现方面。与用户建模不同，广告商建模通常涉及多种任务（例如，广告商支出的预测、活跃率或促销产品的总印象）。此外，主要的电子商务平台通常提供多种营销场景（例如赞助搜索，展示广告，直播流媒体广告），而广告主的行为往往分散在其中许多场景中。这就提出了在全面的广告客户建模中考虑多任务和多场景的必要性，这面临着以下挑战：首先，每个场景或每个任务的一个模型根本无法扩展;其次，用有限的数据样本来建模新的或次要的场景特别困难;第三，场景间的相关性很复杂，并且可能会因任务而异。为了应对这些挑战，我们提出了一种多场景多任务元学习方法（M2M），它同时预测多个广告场景中的多个任务。
2022-02-18 cs.LG
Product Knowledge Graph Embedding for E-commerce
Walmart Labs（沃尔玛实验室）
在本文中，我们提出了一种新的产品知识图谱（PKG）嵌入方法学习的内在产品关系作为产品知识的电子商业。我们定义了关键实体，并总结了关键的产品关系，是至关重要的一般电子商业应用程序，包括营销，广告，搜索排名和推荐。我们首先提供了一个全面的比较PKG和普通的知识图谱（KG），然后说明为什么KG嵌入方法不适合PKG学习。我们构建了一个自我注意增强的分布式表示学习模型，用于以端到端的方式从原始客户活动数据中学习PKG嵌入。我们设计了一个有效的多任务学习模式，充分利用多模态电子商业数据。庞加莱嵌入也被用来处理复杂的实体结构。我们使用来自grocery.walmart.com的真实世界数据集来评估知识完成，搜索排名和推荐的性能。所提出的方法相比，在知识完成和下游任务的基线。
2019-11-28 cs.IR cs.LG stat.ML
Optimizing Item-based Marketing Promotion Efficiency in C2C Marketplace with Dynamic Sequential Coupon Allocation Framework
Mercari, Inc.（株式会社Mercari）
针对C2C市场现有促销策略独立优化、缺乏连续性且成本高的问题，提出DSCAF框架，通过双预测器和迭代决策优化多轮优惠券分配，在保障售罄率提升阈值的同时最大化长期ROI，已应用于Mercari平台。
2024-09-13 cs.LG
SoMin.ai: Personality-Driven Content Generation Platform
ITMO University（圣彼得堡国立信息技术机械与光学大学）；SoMin.ai Research（SoMin.ai研究院）；National University of Singapore（新加坡国立大学）
在这个技术演示中，我们展示了世界上第一个个性化驱动的营销内容生成平台，称为SoMin.ai。该平台结合了深度多视角人格分析框架和风格生成对抗网络，有助于自动创建吸引不同人格类型的内容。该平台可用于增强社交网络用户体验以及用于内容营销例程。在MBTI人格类型的指导下，SoMin.ai根据具有类似人格类型的其他用户的偏好生成新的社交媒体内容，旨在增强社交网络场所的用户体验，并在为数字营销活动制作新内容时使营销人员的努力多样化。通过平台的GUI的实时用户反馈到平台微调的内容生成模型和评价结果表明，所提出的多视角个性分析框架时，被应用在内容生成场景中的有前途的性能。通过大规模利用内容生成，营销人员将能够以更低的成本执行更有效的数字营销活动。
2021-01-17 cs.IR cs.LG cs.MM
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
Statistical Analysis on E-Commerce Reviews, with Sentiment Classification using Bidirectional Recurrent Neural Network (RNN)
了解客户的情绪是至关重要的营销策略今天。它不仅可以让公司了解客户如何看待他们的产品和/或服务，还可以让他们了解如何改进他们的产品和服务。本文试图了解女性服装电子商业的客户评论中不同变量的相关性，并对每个评论进行分类，是否推荐被评论的产品，以及它是否包含积极，消极或中性的情绪。为了实现这些目标，我们对除评论标题和评论文本之外的数据集特征进行了单变量和多变量分析，并实现了一个具有长短期记忆单元（LSTM）的双向循环神经网络（RNN）用于推荐和情感分类。结果表明，推荐是积极情绪得分的有力指标，反之亦然。另一方面，产品评论中的评级是情感得分的模糊指标。我们还发现，双向LSTM能够达到F1分数0.88的推荐分类和0.93的情感分类。
2020-06-16 cs.CL cs.LG stat.ML
Predicting Customer Lifetime Values -- ecommerce use case
Clearly
预测客户未来的购买和终身价值是管理营销活动和优化营销支出的关键指标。当客户和企业之间的关系是非合同性质的，因此未来的购买需要主要根据历史购买来预测时，这项任务特别具有挑战性。这项工作比较了两种方法来预测客户未来的购买，第一次使用“买，直到你死”的统计模型来预测客户的行为，后来使用神经网络在同一数据集上，并比较结果。这种比较将导致对这两种方法进行定量和定性分析，并就如何在不同情况下进行以及未来研究的机会提出建议。
2021-02-10 cs.LG stat.AP
Entire Chain Uplift Modeling with Context-Enhanced Learning for Intelligent Marketing
本文提出ECUP方法，通过上下文增强学习解决链偏和治疗不适应问题，提升营销策略效果评估的准确性。
2026-01-23 cs.AI cs.IR cs.LG
Blending Advertising with Organic Content in E-Commerce: A Virtual Bids Optimization Approach
在电子商业平台中，赞助和非赞助内容被联合显示给用户，并且两者都可以交互地影响他们的参与行为。前者的内容帮助广告主实现其营销目标，并为平台提供了源源不断的广告收入。后一种内容有助于用户参与平台，这是其长期健康的关键。电子商业平台设计的一个紧迫问题是如何将广告与内容融合在一起，同时尊重这些互动并平衡这些多个业务目标。本文描述了一个系统开发的目的，在混合的背景下，个性化的赞助内容与非赞助内容的产品详细信息页面的电子商业公司京东。该系统具有三个关键特征：（1）通过新的虚拟投标方法优化多个竞争性业务目标，以及通过这些虚拟投标对多个目标的平台的潜在、隐式评估的表达性。(2)通过深度学习方法，根据用户的特征、每个赞助内容的个体特征以及由旁边显示的其他赞助和非赞助内容施加的影响，对用户的点击行为进行建模;（3）广告分配中的外部性考虑，从而使其与Vickrey-Clarke-Groves（VCG）拍卖方案直接兼容，用于在存在这些外部性的情况下计算支付。该系统目前正在部署，并通过京东的移动应用程序为所有流量提供服务。实验证明了该系统的性能和优势。
2021-05-28 cs.GT cs.LG econ.GN
Agentic Personalisation of Cross-Channel Marketing Experiences
Paris France（法国巴黎）；Durham USA（美国达勒姆）；Antwerp Belgium（比利时安特卫普）；Mumbai India（印度孟买）；Cary USA（美国卡里）
本文提出基于双重差分和汤普森采样的序贯决策策略，用于跨渠道营销的个性化编排，已在1.5亿用户中显著提升多种目标事件的增量参与度。
2025-06-19 cs.AI cs.IR cs.LG
Dynamically Tie the Right Offer to the Right Customer in Telecommunications Industry
IBM India Software Lab - SWG（IBM印度软件实验室 - SWG）；GBS Business Analytics and Optimization Center of Competence, CMS Analytics（GBS商业分析与优化能力中心，CMS分析）
对于一个成功的企业，参与有效的活动是营销人员的关键任务。大多数以前的研究使用各种数学模型来细分客户，而不考虑客户细分和活动之间的相关性。本文通过研究客户细分背景下的客户目标定位的重要的商业依赖变量，提出了一个概念模型。通过这种方式，客户细分和定位的过程，从而可以联系在一起，并解决.这项研究的客户细分的结果可能更有意义和相关的营销人员。本研究应用顾客生命周期价值（LTV）模型来评估目标顾客群与营销策略之间的适应性。为了整合客户细分和客户定位，本研究使用遗传算法来决定最佳的行销策略。之后，我们建议使用C&RT（分类和回归树）在SPSS PASW Modeler作为替代遗传算法技术来完成这些结果。我们还建议使用LOSSYCOUNTING和Counting Bloom Filter来动态地为正确的客户设计正确和最新的报价。
2020-10-18 cs.AI cs.IR cs.LG
An Efficient Model for Sentiment Analysis of Electronic Product Reviews in Vietnamese
Kyanon Digital（凯诺数字）；Advosights（Advosights公司）；Saigon University（西贡大学）
在过去几年中，越南电子商务和数字营销的增长产生了大量固执己见的数据。分析这些数据将为企业提供更好的业务决策洞察力。在这项工作中，作为Advosights项目的一部分，我们研究了越南语产品评论的情感分析。最终的解决方案是基于自注意神经网络，一个灵活的架构，文本分类任务，约90.16%的准确率在0.0124秒，一个非常快的推理时间。
2019-10-29 cs.CL cs.IR cs.LG
