A Large Scale Heterogeneous Treatment Effect Estimation Framework and Its Applications of Users' Journey at Snap
大规模异质性处理效应估计框架及其在 Snap 用户历程中的应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用实验数据估计 HTE 与 CATE，并通过在线 A/B 测试评估应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
大规模异质性处理效应估计框架及其在 Snap 用户历程中的应用
- 研究问题
- 如何利用覆盖数亿用户的多项实验，稳定估计用户间的处理效应差异，并从实验结果中提取原先难以测量的用户特征？
- 方法与思路
- 作者构建跨实验的工业级异质性处理效应框架，介绍实验选择、基础学习器设计与增量训练，并应用于广告影响力和敏感度。
- 材料陈述的贡献
- 摘要称，该系统可在大规模数据中获得稳定效应估计；利用广告影响力得分开展的在线 A/B 测试改善了关键业务指标。
- 阅读关注点
- 应核对跨实验可比性、特征提取是否使用独立样本、效应估计的校准与稳定性，以及在线测试指标、基准和不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未定义所谓通常显著的改善基准，不能将所述六倍表述理解为统一效果倍数。
原文摘要
Heterogeneous Treatment Effect (HTE) and Conditional Average Treatment Effect (CATE) models relax the assumption that treatment effects are the same for every user. We present a large scale industrial framework for estimating HTE using experimental data from hundreds of millions of Snapchat users. By combining results across many experiments, the framework uncovers latent user characteristics that were previously unmeasurable and produces stable treatment effect estimates at scale. We describe the core components that enabled this system, including experiment selection, base learner design, and incremental training. We also highlight two applications: user influenceability to ads and user sensitivity to ads. An online A/B test using influenceability scores for targeting showed an improvement on key business metrics that is more than six times larger than what is typically considered significant.