A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling
营销增益建模中元学习器与因果森林的异质性处理效应大规模比较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：摘要直接比较条件平均处理效应估计器、因果森林与营销干预增益，核心是异质性因果效应估计，支持因果推断分类。
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…
关注这篇论文的作者
营销增益建模中元学习器与因果森林的异质性处理效应大规模比较
- 研究问题
- 论文研究大规模营销数据上，不同条件平均处理效应估计器在客户增益排序中的表现，以及效应解释和不确定性如何呈现。
- 方法与思路
- 作者在 Criteo Uplift 数据上比较三种 LightGBM 元学习器与因果森林，以 Qini 和累计增益评价，并结合 SHAP 与森林置信区间分析。
- 材料陈述的贡献
- 摘要称，该基准比较中 S-Learner 的增益排序指标最高，并报告头部客户捕获的增量转化、特征解释及置信区间划分的人群比例。
- 阅读关注点
- 应核对数据划分、调参和指标计算、处理分配机制及区间有效性，并区分条件平均效应估计、排序性能与个体效应识别。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；倾向预测 AUC 接近随机不能单独证明无混杂，单一数据集排名也不能保证普遍适用。
原文摘要
Estimating Conditional Average Treatment Effects (CATE) at the individual level is central to precision marketing, yet systematic benchmarking of uplift modeling methods at industrial scale remains limited. We present UpliftBench, an empirical evaluation of four CATE estimators: S-Learner, T-Learner, X-Learner (all with LightGBM base learners), and Causal Forest (EconML), applied to the Criteo Uplift v2.1 dataset comprising 13.98 million customer records. The near-random treatment assignment (propensity AUC = 0.509) provides strong internal validity for causal estimation. Evaluated via Qini coefficient and cumulative gain curves, the S-Learner achieves the highest Qini score of 0.376, with the top 20% of customers ranked by predicted CATE capturing 77.7% of all incremental conversions, a 3.9x improvement over random targeting. SHAP analysis identifies f8 as the dominant heterogeneous treatment effect (HTE) driver among the 12 anonymized covariates. Causal Forest uncertainty quantification reveals that 1.9% of customers are confident persuadables (lower 95% CI > 0) and 0.1% are confident sleeping dogs (upper 95% CI < 0). Our results provide practitioners with evidence-based guidance on method selection for large-scale uplift modeling pipelines.