CausalNLP: 文本应用于因果关系

CausalNLP: A Practical Toolkit for Causal Inference with Text[1] - 文本应用因果推断的工具箱

---

论文大要及目的

本文解决的问题是如何将文本视作因果推断的观察数据的变量(text as observational data)，区别于以往数字(numeric)或类别(categorical)类型。文本将用做treatment 或 confounding variable来推断某种结果，如下例：

文字是treatment还是结果？一封募捐电子邮件的可读性如何影响是否捐款？
对是否捐款有何影响？或者，电子邮件中的礼貌性对客户服务部门的快速回复有什么影响？
或者，电子邮件中的礼貌性对客户服务部门快速回复的影响是什么？这两个问题都涉及文本
是导致某些结果的潜在原因。

Python项目源码地址： https://github.com/amaiya/causalnlp.

---

Meta-learner (详见Causal Inference on Machine learning 等资料)

元学习器 - Metalearners 是CATE(Conditional Average Treatment Effect)估计器，可对两个响应面建模、或多个响应面、 到分别建模。 其中每个估计阶段都可以是任意的 ML 方法（例如 TLearner 和 RLearner
元学习器的基本思想是利用底层的机器学习模型（称为基础学习器）来预测来自协变量（即非治疗的辅助自变量）的反事实结果估计值 （counterfactual outcome estimate)。

---

元学习器运用文本

• 生文本文件作为控制变量: 将文本作为额外的协变量（如混杂因素）纳入meta-learner，