Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization

市场营销优化在增强在线互联网平台用户参与方面发挥着重要作用。现有研究通常将此问题制定为预算分配问题，并通过利用两个完全解耦的阶段即机器学习（ML）和运筹学（OR）来解决它。然而，ML中的学习目标并不考虑OR中的下游优化任务，这导致ML中的预测准确性可能与决策质量没有正相关性。 决策聚焦学习（DFL）将ML和OR集成到端到端框架中，将下游任务的目标作为决策损失函数，并保证ML和OR之间优化方向的一致性。然而，由于多种技术挑战，将DFL部署在市场营销中并不容易。首先，市场营销中的预算分配问题是一个0-1整数随机规划问题，预算在实际情况下是不确定的，波动很大，超出了DFL的一般问题背景。其次，市场营销中的反事实使得决策损失不能直接计算，最优解也无法获得，这使得DFL中常见的梯度估计方法无效。第三，DFL中的OR求解器在模型训练期间频繁调用以计算决策损失，这产生了巨大的计算成本，并且无法支持大规模训练数据。 在本文中，我们提出了一种用于直接反事实市场营销优化的决策聚焦因果学习框架（DFCL），克服了上述技术挑战。离线实验和在线A/B测试都证明了DFCL相对于最先进的方法的有效性。目前，DFCL已经在美团等世界上最大的在线食品配送平台的几个营销场景中得到了部署。

解决问题的框架是什么？

提出了一种决策中心因果学习框架（DFCL），用于直接反事实的营销优化，克服了多个技术挑战。

该论文提出的DFCL框架在离线实验和在线A/B测试中展现了优越性能。DFCL已经在美团等多个场景中部署。

最近的相关研究包括Decision Focused Learning（DFL）等。