治疗效果排序的金属学习者

在预算约束下高效分配治疗是一项在各个领域中的重要挑战。例如，在营销中，使用促销来定位潜在客户并提高转化率受到可用预算的限制。尽管许多研究集中于估计因果效应，但关于在考虑操作环境的同时学习分配治疗的研究相对较少。现有的提升建模或因果推断方法主要估计治疗效果，而没有考虑这如何与尊重预算约束的最大化利润分配政策相关联。使用这些方法的潜在缺点是，所得到的预测模型与操作环境不一致。因此，预测误差会传播到预算分配问题的优化中，随后导致子optimal分配政策。我们提出了一种基于学习排序的替代方法。我们提出的方法直接通过根据增量利润对实例进行优先排序来学习分配政策。我们为优化排序模型提出了一种高效的采样过程，以扩展我们的方法到大规模数据集。在理论上，我们展示了学习排序如何最大化政策增量利润曲线下的面积。在实证上，我们验证了我们的方法，并通过一系列合成和真实数据的实验展示了其在实践中的有效性。