Counterfactual Forecasting of Human Behavior using Generative AI and Causal Graphs
结合生成式人工智能与因果图的用户行为反事实预测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：摘要明确结合结构因果模型、因果图与反事实干预评估，因此归入因果推断；用户行为预测不构成宏观预测的分类依据。
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…
结合生成式人工智能与因果图的用户行为反事实预测
- 研究问题
- 如何结合产品特征、用户交互与采用指标之间的因果结构，预测假想干预下的行为轨迹，并帮助评估部署前的干预方案？
- 方法与思路
- 作者结合结构因果模型与基于 transformer 的生成模型，构建用户行为因果图，并让生成模型以因果变量为条件生成反事实轨迹。
- 材料陈述的贡献
- 摘要称，框架在网页交互、移动应用和电商数据上优于常规预测与增益建模方法，并以因果路径可视化增强解释性。
- 阅读关注点
- 应核对因果图的建立依据、干预与条件生成的区别、反事实验证方式，以及比较方法、评价指标和训练测试划分。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明因果识别假设及验证细节，预测表现不能单独确认干预效应可信。
原文摘要
This study presents a novel framework for counterfactual user behavior forecasting that combines structural causal models with transformer-based generative artificial intelligence. To model fictitious situations, the method creates causal graphs that map the connections between user interactions, adoption metrics, and product features. The framework generates realistic behavioral trajectories under counterfactual conditions by using generative models that are conditioned on causal variables. Tested on datasets from web interactions, mobile applications, and e-commerce, the methodology outperforms conventional forecasting and uplift modeling techniques. Product teams can effectively simulate and assess possible interventions prior to deployment thanks to the framework improved interpretability through causal path visualization.