因果推断方法在微视激励和供需场景的应用与前沿探索
1. 红包激励算法场景
- 背景与业务建模：红包激励的总金额、总时间及下发的红包总个数。以不定间隔、不定金额和不定数量的现金红包激励用户，最大化用户次留和时长。
- 策略三要素：每个红包策略独立编号，抽象为时间t的函数，参数作为向量。
- 策略表示与因果模型：使用T-Learner、X-Learner和DML模型计算treatment effect，以及DR-Net和VC-Net估计连续Treatment的因果效应。
- 核心问题：解决treatment过多、随机流量小等问题。
2. 供需调节算法场景
- 背景与业务建模：调节人群上视频品类曝光比例，提升用户体验和观看时长。
- 策略表示：二值或连续Treatment的因果效应估计，以及多目标约束优化。
- 方法：使用T-Learner、X-Learner、DML等方法，以及DR-Net和VC-Net估计连续Treatment的因果效应曲线。
- 案例：单人群×品类曝光占比策略和全人群品类曝光占比策略。
3. MDP2 Forest方法
- 背景与挑战：在短视频推荐系统中，需要确定每个类目的最优曝光比例，以最大化用户使用时长。
- 方法介绍：
- 连续问题：遍历所有可能的Treatment取值，找到使两边Y均值之差最大的点。
- 高维问题：采用启发式思想，将K个维度随机排序，进行聚合计算。
- 算法加速：采用加权分位数图方法，降低复杂度。
- 实验设计：
- 实验指标：Mean Regret和Mean Treatment Square Error。
- 对比方法：因果推断、DML、DRNet/VCNet、OPE和OCMD。
- 数据集：模拟数据集和半合成数据集。
总结：通过因果推断方法，实现了红包激励和供需调节的优化，解决了传统方法在处理连续多变量和高维问题上的挑战。MDP2 Forest方法在短视频推荐系统中展示了较好的性能。
