Rankability-enhanced Revenue Uplift Modeling Framework for Online Marketing

提升建模已被广泛应用于在线营销中，通过预测处理组和对照组之间的响应差异，以识别对优惠券或折扣等干预措施敏感的个体。与传统的“转化提升建模”相比，“收入提升建模”由于与企业收入直接相关，具有更高的潜力。然而，以前的工作很难处理收入提升建模中连续的长尾响应分布。此外，他们忽略了优化不同个体之间的提升排名，而这实际上是提升建模的核心。为了解决这些问题，本文首先利用零膨胀对数正态（ZILN）损失来回归响应，并定制相应的建模网络，该网络可以适应不同的现有提升模型。然后，我们从理论角度研究了与排名相关的提升建模误差，并提出了两个更紧密的误差界限作为传统响应回归损失的附加损失项。最后，我们直接对整个人口建模提升排名误差，采用列表提升排名损失。离线公共和工业数据集上的实验结果验证了我们的收入提升建模方法的有效性。此外，我们在腾讯FiT这个知名的在线金融科技营销平台上进行了大规模实验，进一步证明了我们的方法在实际应用中的优越性。

解决连续长尾响应分布和排名相关问题的收益提升建模方法

使用零膨胀对数正态（ZILN）损失进行回归响应，结合排名相关的收益提升建模误差，直接对整个人群建模收益提升排名误差

使用ZILN损失进行回归响应，提出两个更紧的误差界限，直接建模整个人群的收益提升排名误差，实验结果验证了方法的有效性

前人工作忽略了排名相关的收益提升建模误差，本文提出的方法能够处理连续长尾响应分布，与传统的转化收益建模相比，本文提出的收益提升建模方法更加直接与企业收入相关