Core Concepts
ソーシャルグラフを活用した新しいGNNベースのフレームワークにより、ラベル不足問題を解決し、優れたパフォーマンスを達成。
Abstract
アップリフトモデリングは戦略や行動の増分効果を測定することを目指す。本研究では、ソーシャルグラフから情報を抽出してアップリフト推定に取り組む新しいGNNベースの枠組みが提案された。この枠組みは、2つのアップリフト推定器(GNUM)を使用し、部分的なラベル学習に基づいており、実世界のアップリフト推定シナリオで優れた性能を示すことが実証されている。
Stats
Comprehensive experiments on a public dataset and two industrial datasets show a superior performance of the proposed framework over state-of-the-art methods under various evaluation metrics.
The proposed algorithms have been deployed online to serve real-world uplift estimation scenarios.