因果推断
文章平均质量分 69
水木流年追梦
清华大学计算机研究生,专研算法工程
展开
-
史上最全因果推断合集-15(因果推断在快手推荐场景的应用探索)
推荐系统不可避免地存在偏差(bias)。一个用户无论是在刷视频、看资讯、还是在线购物等基于推荐的场景中作出的选择通常会产生各种偏差。比如用户会偏向点击位置靠前的内容,也会偏向于点击流行度比较高的内容;另外由于推荐系统给用户推荐的候选内容只占整体内容的一小部分,而用户的点击行为都是基于这样一小部分候选集进行的,所以这会产生选择偏差。与此同时,用户交互日志是模型训练的基础,直接基于这部分观测日志数据作为训练模型的样本会导致训练的模型存在bias,导致给用户推荐的内容同样存在bias,进而整个系统会形成bia转载 2022-06-01 12:24:29 · 1181 阅读 · 0 评论 -
史上最全因果推断合集-14(因果分析在贝壳的探索实践)
因果推断的应用范围十分广泛,例如气候变暖、新药研发、物理研究、经济学等。AI领域,特别是互联网产业,如何科学的进行因果分析,是一个重要的议题。本次分享的主题是因果分析在贝壳的探索和实践。今天的介绍会围绕下面三点展开: 因果分析在研究什么 如何科学地做因果分析 因果分析在贝壳的探索与实践 ...转载 2022-06-01 10:42:16 · 1697 阅读 · 0 评论 -
史上最全因果推断合集-12(因果推断在哈啰出行的实践探索)
导读:因果推断在智能营销场景有着广泛的应用。在哈啰出行酒店营销业务中,自研Tree-based因果推断模型通过修改分裂准则,使得模型目标和业务目标的一致性更高,在智能补贴模块中取得了较好的效果。本文的主要内容包括: 背景介绍,简单介绍智能补贴及其中的一些问题; 因果推断的应用,主要是Uplift建模,即增量预估; 因果推断在哈啰智能补贴场景的应用,包括一些创新; 问题的思考和未来的规划。 1. 天降红包场景哈啰出行的基本业务是两轮共享出行业务,包括单车和助力.转载 2022-05-31 11:05:19 · 1211 阅读 · 0 评论 -
史上最全因果推断合集-10(滴滴的国际化外卖团队智能补贴实战)
桔妹导读:随着因果推断理论体系(Casual Inference)的建立和补充,智能营销/智能补贴近年来在业界有了越来越多的落地成果。滴滴的国际化外卖团队DiDi Food自2020年上半年起开始推进了智能补贴算法在业务场景内的实验和落地,离线和线上效果均取得了一定进展。本文将主要介绍DiDi Food对这个方向上一些探索和实践经验。 0. 目录 本文内容较长,主要会包括以下几点:...转载 2022-05-30 13:21:22 · 3152 阅读 · 0 评论 -
史上最全因果推断合集-9(滴滴出行:大数据驱动的因果建模)
转载 2022-05-30 11:08:41 · 575 阅读 · 0 评论 -
史上最全因果推断合集-8(腾讯看点挑战观测数据上的因果推断)
文的分享主题为观测数据因果推断,希望通过本文可以让大家对观测数据因果推断有一个整体的了解,明晰当前观测数据因果推断的困境和主要处理方法,以及在特定问题中的一套通用解法。具体将围绕以下3部分展开: 观测数据因果推断基本知识 准实验方法在腾讯看点的应用案例 启动重置类问题通用分析方法 观测数据因果推断基本知识1. 混淆结构和对撞结构因果关系是相关关系的一种,因果推断用于学习因果关系。左图中T和Y之间的有向边代表因果关系,此因果关系会让它们在上层显示出一个相关性。我们..转载 2022-05-29 09:53:18 · 731 阅读 · 0 评论 -
史上最全因果推断合集-7(因果推断在阿里飞猪广告算法中的实践)
在飞猪搜索CPC广告业务中,广告策略不仅需要考虑CPC消耗和广告主ROI,平台整体营收 ( 即CPC消耗+自然交易抽佣 ) 也是不能忽略的优化目标。传统上基于广告pCTR、pCVR、bid等因子的策略算法仅仅从广告曝光本身来对广告主、平台和用户的利益进行优化,难以准确调优这一平台整体目标。我们通过引入因果推断技术,将广告投放建模为对搜索产品的干预 ( intervention ),直接预测广告投放与否对业务目标产生的uplift效应,作为下游优化问题的线性奖励 ( rewards ) 或约束 ( const转载 2022-05-28 17:00:00 · 707 阅读 · 0 评论 -
因果推断知识合集-6(腾讯微视数据算法驱动的用户增长)
转载 2022-05-28 10:36:11 · 294 阅读 · 0 评论 -
史上最全因果推断合集-5(腾讯基于因果效应建模的PUSH配额优化)
本文介绍腾讯基于Uplift-Model的QQ浏览器PUSH配额优化实践。文章围绕下面三点展开:PUSH系统的特点 PUSH因果性分析 因果效应建模01PUSH系统的特点日常获得资讯有两种方式,一是主动打开资讯的推荐信息流,二是被动点开PUSH推送。整体来说,PUSH系统与推荐系统类似,PUSH推送可以建模为用户个性化推荐问题,通过计算候选内容点击概率,挑选点击率最高的内容进行推送。PUSH系统与推荐系统不同点在于,推荐系统有用户主动请求,携带浏览意图,此时只要做好用户的兴趣与内容的匹转载 2022-05-27 15:01:21 · 792 阅读 · 0 评论 -
史上最全因果推断知识合集-4(快手因果推断与实验设计)
导读:理解和识别用户行为指标的相互关系是实验分析的目标。在社区氛围下,影响用户行为的因素更为复杂,关系识别更为困难,如何使用各种学科的方法,对社区进行宏观或微观的建模分析,系统性的评估各种策略的长期生态影响,是所要解决的重要问题。本文金雅然博士将以快手直播的现实任务为例进行展开,介绍快手因果推断与实验设计的相关工作,主要内容包括:① 快手直播场景中遇到的因果推断问题及技术框架;② 基于观测数据或实验数据的因果推断技术案例;③ 涉及到网络效应的复杂实验设计。01快手直播场景中遇到的因果推断问题及技术框转载 2022-05-27 02:10:35 · 1377 阅读 · 0 评论 -
史上最全因果推断合集-3(阿里文娱用户增长)
如何实现产品的用户增长?显然,这是各家移动互联网应用的头等大事,也是悬在各家业务负责人头上的"天问"。在移动互联网进入下半场的大趋势下,过去粗放式的买量、厂商合作等模式越来越会受到掣肘,将更加依赖精细化的用户增长策略和产品用户体验的细致打磨;经典的 AARRR 模式会逐步转向 RARRA 模式,提升产品留存、拉活、分享传播等方式是构建增长的主要战场。而在此之中,对于一个内容型产品,个性化算法对于用户留存、拉活将起到决定性的作用。考察与优酷类似的应用,在内容领域,增长的成功案例有: "头条快手"转载 2022-05-27 02:00:42 · 637 阅读 · 0 评论 -
史上最全用户增长知识合集-1(阿里B类电商用户增长实践)
用户量始终是衡量一个产品成功与否的重要指标,而搜索往往又是电商平台最大的流量入口。本次分享将介绍阿里B类电商平台1688的用户生命周期分析、全链路用户增长体系.首先看一下1688的数据,可以看到从今年4月份开始,相对于去年,整体的DAU和买家数有大幅提升,这与1688整体的B类买家心智和内容导购场景密不可分,当然我们用户增长团队也做了很多的工作。传统的用户增长理念是AARRR的理论,通过获取用户、激发用户、提高留存、增加收入和传播推荐。经过试验我们发现,召回一个流失用户的成本远远低于增加一个新用转载 2022-05-26 22:52:48 · 795 阅读 · 0 评论 -
史上最全因果推断合集-2(阿里大文娱智能营销增益模型)
1.智能营销面临的挑战智能化的营销手段越来越普及,商家可以通过多种渠道触达消费者,比如,在手淘上商家可以圈定他想要的目标人群,进行广告推送,为店铺拉新,也可以通过短信或旺旺这些渠道定向发放优惠券。无论是红包还是广告,我们都称为营销的干预手段,其背后都是有成本的。营销的目标就是在成本有限的情况下最大化营销的总产出,这里面最关键的一点是我们能否准确找到真正能被营销打动的用户,我们称他们为营销敏感人群,可以通过下面的图进行简单的解释:...转载 2022-05-26 22:37:33 · 927 阅读 · 0 评论 -
史上最全因果推断合集-uplift
1.因果分析三类典型代表方法包括哪些?2.uplift model的特征有哪些?包含哪些方面?与传统机器学习差别不大,追加干预特征(T=1/T=0);实操手段上,uplift model最大的问题为没有个体样本,要用群体样本去建模个体因果效应;理论层次上,uplift model用的是因果效应解释问题,传统机器学习模型用的是概率论解释问题。3.什么是uplift模型?Uplift models用于预测一个treatment的增量反馈价值。举个例子来说,假如我们想知道对一个用户展现一个原创 2022-05-26 21:56:55 · 808 阅读 · 0 评论