文章图片

图 6 线上 A/B 实验
总结
在本文中 ， 快手的研究者们提出了一种新的 HTE 预估方法——多元因果森林模型 ， 并且结合高效的整数规划求解算法 ， 效果显著优于业界常用的几种树模型方法 。 同时 ， 对于业界棘手的因果效应离线评估问题 ， 研究者们也创新地给出了一个可行的解决方案 。 研究者们希望本文的工作能够引起机器学习爱好者们的关注 ， 以更广泛地应用因果推断技术在各自的实际业务中 。
参考文献
[1] Susan Athey, Julie Tibshirani and Stefan Wager. Generalized Random Forests. Annals of Statistics, 2019.
【高效整数规划求解，快手提出多元因果森林模型，智能营销效果显著】[2] Ye Tu, Kinjal Basu, Cyrus DiCiccio, Romil Bansal, Preetam Nandy, Padmini Jaikumar, and Shaunak Chatterjee. 2021. Personalized Treatment Selection using Causal Heterogeneity. In Proceedings of the Web Conference 2021. 1574–1585.