很多业务问题表面上看是在做预测，真正要解决的却是干预决策。比如发优惠券、投广告、调整流量分发，真正的问题通常不是 “谁最可能转化”，而是对谁做干预，才能带来最大的净增量？

这两类问题的差异，决定了建模方式也完全不同。

传统预测模型擅长回答 “这个用户会不会买”、“这个用户会不会留存”；但它很难回答 “如果我发券，他会不会因此多买”“如果我减少直播曝光，他的长期价值会不会提升”。前者是相关性问题，后者是因果性问题。

Uplift Modeling 的价值，就在于把优化目标从结果预测，转向对干预增量的估计。相比 “找高概率用户”，它更关注 “找高增量用户”，从而实现在资源约束下的优化目标价值最大化。

本文尝试介绍 uplift 的基本原理和一个实际落地的应用场景，基本内容如下

1. 为什么传统预测模型不适合直接指导干预策略
2. Uplift Modeling 背后的因果推断理论基础与常见建模方法
3. AUUC、Qini 等离线评估指标应该怎么理解
4. 在通用业务策略优化场景里，如何从实验设计一路走到线上策略落地
5. 多 Treatment 与连续 Treatment 等扩展场景的建模思路

问题定义

相关性 ≠ 因果

“相关性不等于因果” 在数据分析里几乎是一句常识，但落到具体业务里，往往最容易被忽略。可以看几个经典例子。

• 冰淇淋与溺水事故

数据上看，冰淇淋销量和溺水事故数量往往高度正相关。但显然，禁止卖冰淇淋并不能减少溺水。真正的共同原因是气温：天气热时，人们更愿意吃冰淇淋，也更愿意去游泳。

• 教育年限与收入水平

教育年限更长的人通常收入也更高，但这并不自动意味着 “多读几年书” 一定会让整体收入同比例上升。因为 “能力”“家庭背景” 等因素，可能同时影响教育选择和收入结果。

• 收到优惠券的用户消费更高

这类结论在营销场景中极常见。但问题是，优惠券可能本来就是定向发给高价值用户的。于是 “收到券” 和 “高消费” 之间的关系，未必是优惠券造成的，而可能只是投放策略筛出来的相关性。

这几个例子背后，其实是同一个问题：业务需要的是 “干预带来了什么变化”，而不是 “干预和结果看起来一起出现了”。

传统预测的局限性

传统机器学习模型通常以预测结果 \(Y\) 为目标：

\[ \hat{Y} = f(X) \]

它擅长做的是：给定用户特征 \(X\)，预测用户最终会不会发生某个行为。这在很多任务上是有效的，但一旦问题变成 “要不要对用户施加干预”，就会暴露出三个局限。

（1）高概率用户不等于高增量用户

假设我们要优化 “发券后购买” 的结果。传统模型通常会找出购买概率最高的人群，但这些人未必值得发券。

传统模型只能识别 “谁更可能买”，却无法区分这些人究竟是铁粉、可说服用户，还是反感用户。而真正值得投放资源的，往往只有第二类：因为干预才发生正向变化的人。

（2）无法分辨因果方向

在广告场景中，如果观察到 “看过广告的用户转化率更高”，这并不能说明广告提升了转化。也可能是本来就更容易转化的人，更容易被投到广告，或者更容易被系统分配到广告曝光机会。

（3）看不到反事实

做决策时，我们真正关心的是：

• 干预后会怎样
• 不干预会怎样
• 两者差多少

但传统预测模型通常只能看到一个已经发生的世界，而看不到 “如果当时不做这件事，会发生什么”。

而因果估计最关键的，恰恰就是这个反事实。

Uplift 在做什么

Uplift Modeling 关注的不是结果本身，而是干预带来的净变化。

对单个用户 \(i\) 来说，我们希望估计：

\[ \tau_i = Y_i(1) - Y_i(0) \]

其中：

• \(Y_i(1)\) 表示该用户接受干预（treatment）时的结果
• \(Y_i(0)\) 表示该用户不接受干预（treatment）时的结果
• \(\tau_i\) 表示干预对该用户造成的增量

于是，传统预测和 Uplift Modeling 的差别就很清晰了：

理论基础

潜在结果

从理论上看，Uplift 建模最常用的基础是因果推断里的潜在结果框架（Potential Outcomes Framework）。

对任意用户 \(i\)，理论上都存在两个潜在结果：

1. \(Y_i(1)\)：接受干预后的结果
2. \(Y_i(0)\)：不接受干预时的结果

个体处理效应（ITE）定义为：

\[ \tau_i = Y_i(1) - Y_i(0) \]

但这里有一个经典困难：对同一个用户，我们永远不可能同时观察到 “既干预又不干预” 两种状态。这就是因果推断里的 Fundamental Problem of Causal Inference。

因此在实际中，我们通常不直接估计单个用户的真实 ITE，而是估计条件平均处理效应（CATE）：

\[ \tau(x) = E[Y(1) - Y(0) \mid X = x] \]

也就是：在特征相似的人群里，干预平均会带来多大变化。这是大多数 Uplift 模型真正想学到的东西。

四类用户

从业务视角看，Uplift 最大的价值之一，是帮助我们把用户从 “按结果分层” 切换成 “按干预响应分层”。常见的四象限划分如下：

这里最值得关注的，是 Persuadables；最需要规避的，是 Sleeping Dogs。

很多业务策略表面上 “模型分高、投放更积极”，但如果高分用户里大量是 Sure Things，资源就会被浪费；如果误伤了 Sleeping Dogs，策略甚至会出现负收益。

三个假设

要让 uplift 估计具备可信度，通常至少依赖以下三个假设。

1. 无混淆性

\[ (Y(1), Y(0)) \perp T \mid X \]

也就是说，在给定特征 \(X\) 的前提下，干预分配 \(T\) 与潜在结果独立。

说人话就是：如果 treatment 是按线上策略定向施加的，而这个策略本身又和转化倾向强相关，就很容易引入混淆，导致我们分不清 “是 treatment 起作用”，还是 “被施加 treatment 的人本来就更容易转化”。

所以在 uplift 场景里，通常会通过 RCT 来尽量随机化 treatment assignment，从而降低混淆、提升可识别性。。

2. 重叠性

\[ 0 < P(T=1 \mid X=x) < 1 \]

即对任意一类用户，都应该有机会进入实验组或对照组。每个人群都得同时有 treatment 和 control 的样本，这样模型才能学得到相似人群施加 treatment 前后的效用的 diff 即 CATE

3. Stable Unit Treatment Value Assumption

一个用户的潜在结果，只受自己的干预状态影响，而不受其他用户干预状态影响。

大白话说就是用的某个用户的 treatment effect，应该只受到这个用户本身的 treatment 的影响

但如果别人的 treatment 也会影响他，那问题就变复杂了。因为这时他的结果不再只取决于 “我有没有被干预”，还取决于如下的可能因素：我朋友有没有被干预、别的商家有没有被补贴、同一个流量池里别人有没有被干预等等

实际业务中，如果用户之间有强社交传播、资源竞争或系统级联动，这个假设可能会被破坏。

比如说研究某个人打疫苗，能不能降低他感染风险？如果只有 “自己打没打” 在起作用，那比较简单。但现实里，别人打疫苗也会影响你：你周围很多人都打了 -> 病毒传播整体变弱了 -> 即使你没打，你感染风险也下降了. 这就是 SUTVA 不成立。

但实际上，SUTVA 在真实业务里常常不完全成立。因为很多业务天然就有联动：社交传播、资源竞争、库存约束等，以 LT 优化为例，不出某种体裁的内容会导致用户其他体裁的内容增加，那最终用户的 LT 变化其实是受这两种体裁的变化共同影响的

所以 SUTVA 往往不是 “完全成立” 或 “完全不成立”，而是：这个干扰强不强，能不能忽略。

如果干扰很弱，工程上可以近似接受；如果干扰很强，就要重新设计实验，比如说： - 按群组随机而不是按个人随机，比如说对同一个好友圈的人同时发券，而不是一部分人发，一部分人不发 - 从” 按用户随机” 改成” 按时间随机”，即不要同一时刻一部分人开 treatment、一部分人不开；而是在某些时间段全量开，另一些时间段全量关

建模方法

Uplift Modeling 并没有唯一标准答案。工程上更常见的是两类方法：

• Meta-Learners：把因果效应估计拆成几个监督学习子问题。如常见的各种 xx-Learner
  
• Direct Uplift Models：直接围绕 treatment effect 设计模型或分裂准则。常见的是 Casual Froest 这一类方法

下面简单介绍

Meta-Learners

1. S-Learner

S-Learner 的思路最直接：把干预变量 \(T\) 当成一个普通特征，和其他用户特征一起喂给模型。

\[ \mu(x, t) = E[Y \mid X=x, T=t] \]

线上 serving 时，对同一个用户分别输入 \(t=1\) 和 \(t=0\)，两次预测的差值就是 uplift 估计：

\[ \hat{\tau}(x) = \hat{\mu}(x, 1) - \hat{\mu}(x, 0) \]

优点：

• 实现简单
• 所有样本都用于训练一个模型
• 适合作为 baseline 快速验证

缺点：

• 如果 treatment 信号弱，模型容易忽略 \(T\)
• 在强正则下容易出现 regularization bias

如果只是想快速判断 uplift 方法在业务里有没有潜力，S-Learner 往往是很实用的起点；但如果真要追求更高质量的 CATE 估计，它通常不是终点。

2. T-Learner

T-Learner 的想法是把实验组和对照组彻底分开，分别训练两个模型：

\[ \mu_1(x) = E[Y \mid X=x, T=1] \]

\[ \mu_0(x) = E[Y \mid X=x, T=0] \]

两者差值就是 uplift：

\[ \hat{\tau}(x) = \hat{\mu}_1(x) - \hat{\mu}_0(x) \]

优点：

• 可以独立拟合干预组和对照组的不同模式
• 不容易像 S-Learner 一样把 treatment 信号 “抹平”

缺点：

• 每个模型只用到部分样本，样本利用率较低
• 样本不平衡时效果容易变差
• 两个模型误差会相互叠加

3. X-Learner

X-Learner 可以理解为在 T-Learner 的基础上，进一步提高样本利用效率，尤其适合 treatment / control 样本不平衡的场景。

它的核心步骤可以概括为三阶段：

3.1 训练两个响应模型

\[ \hat{\mu}_1(x) = E[Y \mid X=x, T=1] \]

\[ \hat{\mu}_0(x) = E[Y \mid X=x, T=0] \]

3.2 构造伪因果效应

对实验组样本：

\[ D_i^1 = Y_i^1 - \hat{\mu}_0(X_i) \]

对对照组样本：

\[ D_i^0 = \hat{\mu}_1(X_i) - Y_i^0 \]

再分别训练两个 effect model：

\[ \hat{\tau}_1(x) = E[D^1 \mid X=x] \]

\[ \hat{\tau}_0(x) = E[D^0 \mid X=x] \]

3.3 按倾向性得分加权组合

\[ \hat{\tau}(x) = g(x) \cdot \hat{\tau}_0(x) + (1-g(x)) \cdot \hat{\tau}_1(x) \]

其中 \(g(x)\) 通常取倾向性得分 \(P(T=1 \mid X=x)\)。

优点：

• 对样本不平衡更鲁棒
• 往往比 S-Learner、T-Learner 有更好的 CATE 精度
• 对业务中的非对称实验设计更友好

缺点：

• 实现与调参复杂度更高
• 训练链路更长，诊断难度更大

Direct Uplift Models

Direct Uplift Models 指的是直接围绕 treatment effect 设计分裂准则或损失函数的模型。常见的方法包括：

• Uplift Tree：决策树在 uplift 场景下的改造版，用 KL/欧式/卡方距离等准则分裂，目标是最大化 treatment 和 control 组的分布差异
• Causal Forest：Causal Tree 的集成版本，分裂准则更偏统计严谨（如 CMSE、SFT），常配合 honest estimation 使用

它们和普通决策树的本质区别在于：

• 普通树：分裂目标围绕预测误差或分类纯度
• Uplift 里的树：分裂目标围绕 treatment effect 的异质性

下面分开讲。

1. 普通决策树在分裂时在干什么

普通决策树（分类或回归）的分裂逻辑，本质上都是想让节点变得更” 纯”。常见准则有：

Gini 不纯度

\[ G = \sum_{k=1}^{K} p_k (1 - p_k) \]

其中 \(p_k\) 是节点中属于类别 \(k\) 的样本比例。Gini 越小，说明节点里类别越单一。

信息增益（基于熵）

\[ H = -\sum_{k=1}^{K} p_k \log p_k \]

分裂前后熵下降越多，说明这个切分把类别” 分得更开”。

回归树常用均方误差（MSE）

\[ MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \bar{y})^2 \]

分裂目标是让左右子节点内的方差尽量小，预测更集中。

从上面按个指标可以看到普通决策树在分裂时只关心一件事：把结果相似的人分到一起。它压根不关心 treatment，也不关心” 干预和不干预的差异”。所以使用普通树预测” 发券后会不会买”，其实是在学” 谁更可能买”，而不是” 谁因为发券才更可能买”。

2. Uplift Tree 在分裂时在干什么

Uplift Tree 不再围绕” 结果纯度” 来分裂，而是围绕 ” 实验组和对照组之间的差异” 来分裂。

它的直觉是：如果一个切分能让左右两边的 treatment effect 明显不同，那这个特征大概率捕捉到了” 谁对干预更敏感”。

常见的分裂准则有：

KL 散度

\[ D_{KL}(P^T || P^C) = \sum_y P^T(y) \log \frac{P^T(y)}{P^C(y)} \]

欧式距离

\[ D_E = \sum_y (P^T(y) - P^C(y))^2 \]

卡方距离

\[ D_{\chi^2} = \sum_y \frac{(P^T(y) - P^C(y))^2}{P^C(y)} \]

这三个公式看着不同，但核心逻辑是一样的：

• \(P^T(y)\) 是实验组在结果 \(y\) 上的分布
• \(P^C(y)\) 是对照组在结果 \(y\) 上的分布
• 分裂目标是让这两个分布差异越大越好

为什么分布差异能反映 uplift？

这背后有一个关键的数学联系。对于二分类问题（如用户是否购买），uplift 定义为：

\[ \hat{\tau} = P^T(Y=1) - P^C(Y=1) \]

也就是说，uplift 本质上就是两个分布在 \(Y=1\) 这一点上的差值。

那 KL/Euclidean/Chi-square 距离和 uplift 有什么关系？以欧式距离为例：

\[ D_E = \sum_y (P^T(y) - P^C(y))^2 = (P^T(1) - P^C(1))^2 + (P^T(0) - P^C(0))^2 \]

由于 \(P(1) + P(0) = 1\)，所以 \(P^T(1) - P^C(1) = -(P^T(0) - P^C(0))\)，因此：

\[ D_E = 2 \times (P^T(1) - P^C(1))^2 = 2 \times \hat{\tau}^2 \]

最大化欧式距离等价于最大化 uplift 的平方。

KL 散度和卡方距离可以理解为 uplift 的” 加权放大版”—— 它们不仅看差值大小，还考虑分布的相对位置。当 \(P^C\) 接近 0 或 1 时，相同的 uplift 会被赋予更大的权重。

所以这三个距离的共同逻辑是：当 \(P^T\) 和 \(P^C\) 差异大时，意味着 treatment 对结果有更强影响，即 uplift 绝对值更大。

Uplift Tree 的分裂准则就是：找到一个切分，让左右两边的 \(P^T\)-\(P^C\) 分布差异尽可能不同。如果左边的 \(P^T\)-\(P^C\) 差异大（uplift 高），右边的 \(P^T\)-\(P^C\) 差异小（uplift 低），这个切分就成功把” 高 uplift 人群” 和” 低 uplift 人群” 分开了。

通俗理解来理解，就是 Uplift Tree 在分裂时问的问题是 —— 这个切分能不能把” 干预前后差异大的人” 和” 干预前后差异小的人” 分开。

举个例子来说明。假设我们有两个候选特征可以做切分，现在要判断哪个特征更适合作为分裂点。

候选特征 A 切分后：

候选特征 B 切分后：

特征 A 的切分让左右两边的 uplift 差异达到了 15%（20% - 5%），而特征 B 的左右两边 uplift 几乎一样（都是 10%）。

从 Uplift Tree 的视角看：

• 特征 A 成功把人群分成了” 对券敏感”（左边，uplift = 20%）和” 对券不太敏感”（右边，uplift = 5%）两类，这个切分捕捉到了异质性
• 特征 B 虽然也提升了购买率，但左右两边 uplift 几乎相同，说明这个特征对” 谁更敏感” 没有区分能力

所以 Uplift Tree 会偏好特征 A，因为它把 treatment effect 的异质性” 切出来” 了。

但如果换成普通决策树，它只会看” 购买率” 本身：

• 特征 A 左边购买率：(30%+10%)/2 = 20%
• 特征 A 右边购买率：(25%+20%)/2 = 22.5%
• 特征 B 左边购买率：(28%+18%)/2 = 23%
• 特征 B 右边购买率：(27%+17%)/2 = 22%

普通树可能会觉得特征 B 更好（因为左右购买率差异更小，节点更” 纯”），但这恰恰忽略了我们真正关心的 uplift 差异。 一句话总结就是：

• 普通树：让节点里的结果更纯（谁更可能买）
• Uplift 树：让节点里的 treatment effect 更极端（谁更会被改变）

3. Causal Forest 在分裂时在干什么

Causal Forest 可以理解为 Causal Tree 的集成版本，也是很多真实业务里比较常用的一类方法。它的核心思想不是简单地” 给用户打分”，而是：对于目标用户 \(x\)，自动找到一批和他在 treatment effect 上更相似的邻域样本，再在这个局部邻域里估计 CATE。

理论背景：CMSE 和 SFT

在介绍具体准则之前，先理解两个理论概念。

CMSE（Causal Mean Squared Error）

理论上，我们希望最小化因果效应估计的误差：

\[ \text{CMSE} = E\left[(\tau(X) - \hat{\tau}(X))^2\right] \]

其中 \(\tau(X)\) 是真实的 CATE，\(\hat{\tau}(X)\) 是模型估计值。

但问题是：真实的 τ 无法观测，所以 CMSE 无法直接计算。这个理论目标告诉我们” 应该优化什么”，但实际算法需要用可计算的量来近似。

SFT（Signal-to-Noise Ratio / 稳定性考虑）

另一个视角是：不仅要看” 效应差异有多大”，还要看” 这个差异是否稳定”。如果效应差异很大，但估计方差也很大，那这个差异可能只是噪声。

关于 CMSE，有一个关键问题，就是分裂准则如何实现 CMSE 的优化目标？或者说 CMSE 无法直接计算，那最大化效应差异的准则怎么能” 间接实现” 最小化 CMSE？

核心逻辑是：最大化叶间差异 ≈ 最小化叶内误差

CMSE 优化的是” 估计误差小”，等价于让每个叶子里，估计值 \(\hat{\tau}\) 和真实值 \(\tau\) 接近。要做到这一点，等价于让每个叶子里，真实的 \(\tau\) 尽量一致（方差小）。因为如果叶子里每个人的真实 \(\tau\) 都差不多，那用 \(\hat{\tau}\) 去代表他们，误差自然小。

分裂准则最大化的是左右两边的差异，反过来想：如果左右两边差异大，意味着左边的人” 真实 τ” 比较接近某个值，右边的人” 真实 τ” 比较接近另一个值。也就是每个叶子内部更均匀。

数学上可以证明：

\[ \text {总方差} = \text {叶间方差} + \text {叶内方差} \]

最大化” 叶间差异” 就是在最大化叶间方差。因为总方差固定，叶间方差大 → 叶内方差小。叶内方差小，意味着每个叶子内部 τ 更一致，估计误差更小。

但有个前提：分裂时用的是 \(\hat{\tau}\)（估计值），不是真实 τ。如果 \(\hat{\tau}\) 估计不准，可能把” 本来一致” 的人切到两边，或者把” 本来不一致” 的人切到一起。这就是为什么需要： - 足够的样本：每个叶子要有足够的 treatment / control 样本 - Honest Estimation：避免用同一批数据选切分和估效应，导致过拟合

所以，这个不太直观的逻辑链条如下

1
2
3
4
5
6
7
8
9

目标：最小化 CMSE = E[(τ - τ̂)²]
      ↓
等价于：让每个叶子内部 τ 尽量一致
      ↓
实现方式：最大化叶间差异（左右两边 τ̂ 差异最大）
      ↓
数学原理：叶间方差大 → 叶内方差小
      ↓
关键技巧：Honest Estimation 确保 τ̂ 估计无偏

这两个理论概念引导出了下面的两种实际可用的分裂准则（二选一）

准则一：最大化效应差异

选择让左右子节点 treatment effect 差异最大的切分：

\[ \max_{j,s} \left( \hat{\tau}^{left}(j,s) - \hat{\tau}^{right}(j,s) \right)^2 \]

在某一个节点内，\(\hat{\tau}\) 是这样计算的：

• 实验组平均结果 \(\bar{Y}^T\)
• 对照组平均结果 \(\bar{Y}^C\)
• 估计的 treatment effect \(\hat{\tau} = \bar{Y}^T - \bar{Y}^C\)

但需要注意的是真实的 treatment effect \(\tau\)（需要知道每个用户” 被干预” 和” 不被干预” 两种状态下的结果）和 \((\tau - \hat{\tau})^2\) 都是无法计算的，前面提到仅通过 \(\hat{\tau}\) 可以近似达到 CMSE 的优化目标

所以这个准则只用估计值 \(\hat{\tau}\)，不涉及真实 τ。

大白话就是如果一个切分让左右两边的 uplift 明显不一样（比如左边 15%，右边 -5%），那这个切分就捕捉到了” 异质性”，应该被选中。

准则二：考虑方差的 t-statistic 风格

在效应差异的基础上，额外考虑估计的稳定性：

\[ \frac{\left(\hat{\tau}^{left} - \hat{\tau}^{right}\right)^2}{\widehat{Var}(\hat{\tau}^{left}) + \widehat{Var}(\hat{\tau}^{right})} \]

分子是效应差异的平方，分母是估计方差之和。

大白话就是它在问 ——“左右 uplift 差这么多，是因为真的有异质性，还是因为样本太少、噪声太大？”

如果一个切分让左边 uplift = 30%，右边 = 5%，但左边只有 10 个样本，那这个差异可能只是噪声。这个准则会自动降低对这种不稳定切分的偏好。

两种准则怎么选？

关键技巧：Honest Estimation

无论选哪种准则，Causal Tree 通常都配合 Honest Estimation 使用：

为什么这样做？如果用同一批样本既选切分、又估效应，模型会倾向于选择那些” 在这批数据上碰巧差异大” 的切分，而不是真正有异质性的切分。这就像用训练集既训练模型又评估模型，结果会过于乐观。

把切分和估计分开后，样本 B 负责估计，是” 公正” 的第三方，估出来的 uplift 更可信。严谨地说，这可以避免过拟合偏误，并在合适条件下让 CATE 估计具有渐近正态性。

Uplift Tree 与 Causal Forest：统一视角

从更高层面看，Uplift Tree 和 Causal Forest 都在做同一件事：寻找” 处理组和对照组差异” 在哪里最大。只是它们衡量” 差异” 的角度不同：

• Uplift Tree：分布差异角度

  用 KL/Euclidean/Chi-square 衡量 \(P^T\) 和 \(P^C\) 两个分布的” 距离”。这个距离大，意味着 treatment 对结果分布有更强影响。它的特点是考虑整个分布的偏离，而不只是均值。

• Causal Forest：点估计差异角度

  直接计算 \(\hat{\tau}^{left} - \hat{\tau}^{right}\)，其中 \(\hat{\tau} = \bar{Y}^T - \bar{Y}^C\)。这是 uplift 的点估计差异。同时通过方差调整（t-statistic 风格）来确保差异的稳定性。

两种方法的数学联系是：对于二分类问题，\(P^T(1) - P^C(1) = \hat{\tau}\)，所以分布差异和 uplift 差异本质上是同一事物的不同度量。

选择哪种方法？取决于业务需求：

• 需要考虑整个结果分布的变化 → Uplift Tree 的距离度量更全面
• 需要简洁的 uplift 点估计和置信区间 → Causal Forest 更直接
• 样本量有限、需要稳定性 → Causal Forest 的方差调整更稳健

4. 小结：三种树的分裂目标对比

更通俗的解释是 普通树学的是” 谁更像”，Uplift 树学的是” 谁更会被改变”，Causal Forest 则在学” 谁更会被改变，而且我有把握这个判断是对的”。

在 uplift 场景中，相较于 uplift tree，Causal Forest 更常用一些，但两者各有适用场景

Causal Forest 的优势是

• 工程稳定性更强：单棵 Uplift Tree 容易过拟合、不稳定，Causal Forest 是集成方法，泛化能力更好
• 理论支撑更完善：Honest estimation 可以给出置信区间，渐近正态性支持统计推断
• 能捕捉更复杂的异质性：特征交互、非线性关系处理更强，适合特征多、关系复杂的业务场景

Uplift Tree 的优势是

• 需要规则解释：单棵树可以输出清晰的分裂规则，方便运营理解和执行，适合做人群切分洞察
• 快速原型验证：实现简单、训练快，可以快速判断 uplift 信号是否存在
• 规则引擎落地：有些业务系统需要 if-else 规则，Uplift Tree 可以直接转成规则

实际工程中的常见选择：

一句话总结：Causal Forest 更适合作为” 主力模型”，因为它稳定、理论完善、工业界验证多；Uplift Tree 更适合作为” 辅助工具”，用来做规则洞察、人群切分、快速原型。

方法选择

如果把上面讨论的几类方法放在一起对比，大致可以这样理解：

工程里没有银弹。很多时候，最好的方式不是一开始就追求最复杂模型，而是：

1. 用简单 baseline 快速验证 uplift 是否真的存在
2. 再逐步切到更强的 effect learner
3. 最后把重心放在策略使用方式，而不是只盯着离线分数

评估指标

Uplift 的评估方式和普通分类 / 回归不同。原因很简单：真实的个体因果效应不可观测 —— 我们永远看不到” 同一个用户在干预和未干预两个世界里分别会怎样”。

所以，uplift 模型的评估重点通常不是” 单点预测准不准”，而是” 排序是否有效”—— 能不能把真正值得干预的用户排在前面。

类比分类任务：AUC 评估的是” 把正样本排在负样本前面” 的能力；uplift 任务类似，AUUC 评估的是” 把高 uplift 用户排在低 uplift 用户前面” 的能力。

在进入公式前，先统一口径：

• AUUC：按预测 uplift 从高到低排序后，uplift 曲线与横轴（0 增量线）之间的整块面积
• Qini 系数：uplift 曲线超出随机基线（高度 = ATE）的超额面积

二者都基于” 按预测 uplift 从高到低排序后” 的累计曲线，只是参照系不同。

AUUC

想象有 1000 个用户，按模型预测的 uplift 从高到低排好队。

• 先只对前 10%（100 人）施加干预 —— 这批人里，实验组响应率比对照组高多少？差值就是这批人的平均 uplift。
• 再扩展到前 20%，重新算这 200 人的平均 uplift。
• 依此类推，一直扩展到 100%（全部 1000 人）。

把” 覆盖比例 → 这批人的平均 uplift” 画成曲线，就是 uplift 曲线。而 AUUC 就是这条曲线下的整块面积

如果模型排序有效，前面的人 uplift 高，后面的低，曲线会从左上角逐渐下降，最终收敛到 ATE（全体用户的平均处理效应）—— 覆盖到 100% 时，这批人就是所有人，平均 uplift 自然等于 ATE

公式化表达如下

对前 \(k\) 个用户，实验组响应率和对照组响应率之差，就是这批人的平均 uplift 估计：

\[ \hat{\tau}_k = \frac{\sum_{i=1}^{k} Y_i^T}{N_k^T} - \frac{\sum_{i=1}^{k} Y_i^C}{N_k^C} \]

其中 \(Y_i^T, Y_i^C\) 是实验组和对照组的响应值，\(N_k^T, N_k^C\) 是对应样本数。

AUUC 就是这条曲线下面积的离散近似：

\[ AUUC = \int_0^1 U(p)\,dp \approx \frac{1}{N} \sum_{k=1}^{N} \hat{\tau}_k \]

通俗理解就是，把每个覆盖比例下的平均 uplift 全加起来取均值。这个计算方式有个天然性质：排在前面的用户对 AUUC 的贡献权重更大，这恰好奖励了” 把高 uplift 用户排在前面” 的模型。

严格来说，若设第 \(j\) 位用户的真实效应为 \(\tau_{(j)}\)，AUUC 可展开为加权和：

\[ AUUC = \sum_{j=1}^{N} w_j\,\tau_{(j)}, \qquad w_j = \frac{1}{N}\sum_{k=j}^{N}\frac{1}{k} \]

其中 \(w_1 > w_2 > \cdots > w_N\)（越靠前权重越大），由重排不等式可知 \(\tau_{(j)}\) 按降序排列时 AUUC 取最大值 —— 即完美排序下 AUUC 最高。

如果排序完全随机，任意” 前 \(k\) 人” 的构成和整体样本一致，平均 uplift 的期望就等于 ATE：

\[ \mathbb{E}[AUUC_{rand}] = ATE \]

这意味着 AUUC 的绝对值本身受 ATE 影响：即使随机排序，AUUC 期望也等于 ATE；干预本身效果强的实验，AUUC 天然偏高，不代表模型排序更好。

关于这个指标还有一个工程细节，就是当实验组/对照组比例严重不均（如 9:1）时，某些分位点附近的估计因样本过少会出现抖动。常见处理方式：使用等分位数划分（确保每段都有足够的 T/C 样本），或对曲线做平滑处理。

Qini 系数

AUUC 的绝对值受 ATE 影响 —— 干预本身效果强的实验，AUUC 天然偏高，跨实验比较时容易产生误导。

Qini 系数换了一个参照系，回答的问题更直接：和随机策略相比，模型排序多带来了多少增量？

假设随机排序时的 uplift 曲线期望为 \(U_{rand}(p) = ATE\)（一条水平线），则 Qini 是模型曲线超出这条基线的面积：

\[ Qini = \int_0^1 \left(U(p) - U_{rand}(p)\right)dp = \int_0^1 \left(U(p) - ATE\right)dp \]

由于 \(\int_0^1 ATE\,dp = ATE\)，Qini 系数和 AUUC 的关系很简洁：

\[ \boxed{Qini = AUUC - ATE} \]

Qini 就是 AUUC 扣掉随机策略本身贡献的那部分面积后剩下的，是真正靠模型排序额外” 赚” 到的增量。更直观理解如下

随机排序时，Qini 的期望值为 0：

\[ \mathbb{E}[Qini_{rand}] = 0 \]

AUUC vs Qini：什么时候用哪个？

选哪个？

• 关心绝对增量能力（评估整体策略价值）→ AUUC
• 关心模型好坏、跨实验比较（哪个模型排序更准）→ Qini 更合适，因为它已经剥离了 ATE 本身的贡献
• 两者通常一起看，结论方向一致

跨实验比较的注意事项

AUUC 和 Qini 都没有统一量纲，比较时要保持同一口径：

• 样本规模不同：10 万样本和 100 万样本的绝对值不可直接比较
• 标签定义不同：” 7 日付费率” 和” 7 日 GMV” 的 uplift 曲线量纲不同
• 业务口径不同：是否计入退款、是否过滤异常订单等，都会影响 uplift 计算
• 实验组占比不同：Qini 依赖随机基线，如果实验组 / 对照组比例差异大，可比性会下降

另一种常见画法：累计增益曲线

除了上面的” 平均 uplift 曲线”，工程中还有一种等价但形状相反的画法 —— 累计增益曲线（Cumulative Gain Curve），在 causalml、EconML 等工具库中较为常见。

区别只在 Y 轴的定义。把平均 uplift \(U(p)\) 乘以覆盖比例 \(p\)，得到的就是前 \(p\) 比例用户带来的累计净增量：

\[ G(p) = p \cdot U(p) \]

由于 \(G(p)\) 从 0 开始随覆盖增加，曲线从左下角向右上方延伸。随机基线也不再是水平线，而是从原点到全量增益的斜线（\(G_{rand}(p) = p \cdot ATE\)）；两条线在 100% 覆盖处汇合于同一点（均等于 ATE）。

两者包含完全相同的信息，选哪种是偏好问题。平均 uplift 曲线更直观体现” 排序是否有效”，累计增益曲线更直观呈现” 到底赚了多少”。本文采用前者，与文中公式口径一致。

实际优化落地案例

前面的内容主要讨论理论与方法。接下来把视角从模型本身拉回到更通用的策略优化框架。

无论是电商发券、广告激励、直播调控，还是推荐系统里的流量分发，本质上都在回答同一个问题：对这个用户施加某种干预，到底值不值得？

这类问题都可以抽象成一个统一的 gain-cost 权衡框架：

• Gain：干预后希望提升的核心业务价值
• Cost：干预带来的资源消耗、副作用或局部业务损失

方法本身并不依赖某个垂直场景，真正变化的只是不同业务下 gain 指标和 cost 指标的定义。

如果只盯着单一 gain，很容易把策略做偏；只有把 gain 和 cost 同时纳入建模与决策，策略才真正有上线意义。

整体链路

一个完整的 uplift 策略链路，通常可以抽象为：

1. 通过随机实验构造 treatment / control 数据
2. 训练 uplift 模型，估计用户的增量收益与增量成本
3. 在预算或约束条件下，把模型分转换成可执行决策
4. 在线持续监控并动态更新策略

数据构造

RCT / Switchback 实验设计

实验形式并不唯一，常见的设计包括：

• 用户级随机实验：适合电商发券、广告激励等用户独立干预场景
• Switchback Experiment：适合供给、流量、时段级干预场景
• 分桶灰度实验：适合线上策略逐步放量验证

共同目标只有一个：让 treatment assignment 尽量随机，从而降低选择偏差，提升 uplift 估计的可信度。

做这类实验时，至少有三点要特别关注：

1. 随机化是否真的均匀覆盖关键人群
   
2. 实验期间是否有外部流量策略或业务活动干扰
   
3. 样本量是否足够支撑异质性效应学习

很多 uplift 项目不是死在模型，而是死在实验设计不够干净

Feature 与 Label 设计

在一个通用的 uplift 项目里，特征通常会覆盖用户、行为和上下文等多类信息，例如：

这里有一个很重要的实践经验：Uplift 特征工程的重点，不只是提升 response prediction，而是尽量暴露 “谁对干预更敏感” 的异质性。因此，能体现趋势、状态切换、消费结构差异的特征，往往比静态画像更重要

在这个通用框架下，一般会建议把 label 拆成两类。

1、Gain Label

表示 “施加干预后，业务核心目标获得的增量收益”。

例如：

• 电商：7 日下单率、GMV、复购、长期价值
  
• 广告：点击率、转化率、广告收入、广告主 ROI
  
• 内容 / 直播：留存、有效会话、消费时长、长期活跃价值

2、Cost Label

表示 “施加干预后，需要付出的资源消耗或副作用”。

例如：

• 电商：优惠券成本、补贴消耗、毛利损失
• 广告：流量占用、补贴成本、用户体验下降
  
• 内容 / 直播：某子业务收入下降、供给生态波动、时长迁移损失

这一点很关键：很多策略只预测 gain，不预测 cost，最后上线时容易出现 “主指标提升了，但业务副作用太大” 的问题。把 gain 和 cost 拆开建模，本质上是在为后续约束优化做准备。

3、多 Label 场景

当我们优化目标有多个时，Label 往往也会有多个（比如说 LT 优化阶段 cost label，可能会同时影响时长和营收）。这个时候时候需要考虑如何将多个 label 合并成一个，方便模型的学习和后续规划问题的求解。常见做法是直接使用原始 label，并通过人工权重去对齐不同指标的量纲，如下所示：

\[ y = w_1 y_1 + w_2 y_2 + w_3 y_3 \]

但这种方式有几个明显问题：

• 超参数很难调
• 极端值影响大
• 一旦分布漂移，稳定性差

实际中一种更常用的方法是百分位归一化方案, 也就是用样本在训练集中的相对位置，替代原始值本身

\[ y = w_1 * \text{percentile\_rank}(y_1) + w_2 *\text{percentile\_rank}(y_2) + w_3 * \text{percentile\_rank}(y_3) \]

这么做的优点很明显：

• 通过 \(\text{percentile\_rank}\) 函数将原始量纲不一致的 label，都固定在特定范围内如 [0, 1]，便于模型学习
  
• 不同的目标的兑换关系更可控，可通过让 \(w\) 的值保持一致，来让各目标的权重都保持一致，也可人工拍一个兑换关系，并且不容易收到不同目标的预估漂移的影响（如目标 A 统一高估 10 倍）
  
• 对极端值更鲁棒
  
• 更贴近后续排序型决策的使用方式

这也是一个很典型的工程取舍：真实业务中，很多时候不需要模型把绝对收益估得极准，而是更需要它把相对优先级排对。

模型选择与评估

如果要在多类业务场景里选择一个相对稳妥的异质性效应学习器，Causal Forest 往往是一个不错的起点，具体原因上面做模型横向对比分析时提过了，这里就不在赘述

离线评估指标这部分在前面也提到了。实际中，更值得关注的是训练集与测试集上的 AUUC、Qini 是否一致，以及不同分桶上的 uplift 排序是否稳定。

这里有两个经常出现、但容易被误读的现象：

1、稀疏 cost label 的 AUUC 绝对值可能很小

如果某个 cost 指标本身零值很多、分布非常稀疏，那么即使模型把排序做对了，AUUC 的绝对值也未必会特别大。这并不一定意味着模型无效，更可能只是标签本身的信息密度较低。

2、某些 cost 相关指标的 AUUC 可能为负

这通常出现在 “抑制型干预” 里，比如减少某类曝光、压缩某类补贴、降低某类流量占比。此时 treatment 的目标，本来就是牺牲局部指标去换取整体收益，所以 cost 维度出现负向 uplift，往往反而说明方向符合预期。

因此，评估 uplift 模型时，不应该孤立地看某一个 gain 或 cost 指标，而应该结合策略目标去理解其方向性和 trade-off。

线上决策

至此我们训练了两个模型，用来预估模型施加 treatment 前后的 \(\Delta \text{gain}\) 和 \(\Delta \text{cost}\)

但真正有业务价值的，不是简单给用户打一列 uplift 分，而是要在 Gain 与 Cost 之间做最优选择

最优化问题定义

首先我们可以很自然地定义如下的约束优化问题

设有 \(n\) 个用户，对用户 \(i\) 干预后：

• 业务收益预估值为 \(\text{gain}_i\)
• 业务损失预估值为 \(\text{cost}_i\)

定义决策变量：

\[ x_i \in \{0, 1\} \]

其中 \(x_i = 1\) 表示对用户施加干预。

如果预算或业务损失约束为 \(C\)，优化目标可写成：

\[ \begin{aligned} \max_{x_i} \quad & \sum_{i=1}^{n} x_i \cdot \text{gain}_i \\ \text{s.t.} \quad & \sum_{i=1}^{n} x_i \cdot \text{cost}_i \le C \\ & x_i \in \{0, 1\} \end{aligned} \]

这其实就是 “在有限成本下，选出最值得干预的人”。

直接求解这个问题，可以构造如下拉格朗日函数：

\[ L(x, \lambda) = \sum_{i=1}^n x_i (\text{gain}_i - \lambda \cdot \text{cost}_i) + \lambda C \]

为了最大化 \(L\)，对于每一个独立的 \(i\)，我们的决策逻辑是：

• 如果 \((\text{gain}_i - \lambda \cdot \text{cost}_i) > 0\)，即 \(\frac{\text{gain}_i}{\text{cost}_i} > \lambda\)，则取 \(x_i = 1\)
• 如果 \(\frac{\text{gain}_i}{\text{cost}_i} < \lambda\)，则取 \(x_i = 0\)

这里的 \(\lambda\) 可以理解为成本的影子价格。

这个结论很重要，因为它说明：在给定成本约束下，按单位成本收益（ROI）排序，本身是有优化基础的。

近似求解：贪心策略

直接套拉格朗日求解，工程上有两个不便：

• 需要一个明确的预算 \(C\)，但在 cost 由多指标融合并经归一化后，\(C\) 已经丧失了物理含义（不像发券这类场景预算是显式的金额），只能凭分布拍一个数
  
• 求解依赖 gain 和 cost 的绝对值估准；而 uplift 模型的输出经过 label 归一化、样本选择偏差等处理后，绝对值常常存在系统性偏移。\(\lambda\) 一旦定死，模型若高估收益就会超支，若低估则预算结余

工程上更常用的是贪心策略：

1. 计算每个用户的 \(\text{ROI}_i = \dfrac{\text{gain}_i}{\text{cost}_i}\)
   
2. 按 ROI 从高到低排序
   
3. 从前往后累加 cost，直到达到预算 \(C\) 或人数比例阈值

贪心和拉格朗日在解上是等价的：把人按 ROI 从高到低取，最后一个被选中用户的 ROI 就是隐式的最优影子价格 \(\lambda^\star\)；前面所有 \(\text{ROI}_i > \lambda^\star\) 的用户都满足拉格朗日的最优性条件 \(\text{gain}_i - \lambda^\star\,\text{cost}_i > 0\)。换句话说，贪心是在用排序 + 累加，隐式地做对偶上升找到 \(\lambda^\star\)，省掉了显式求解非线性方程。

贪心相较于显式拉格朗日求解的两个工程优势：

1. 对预估偏差更鲁棒

显式拉格朗日要求 gain / cost 的绝对值估得准，否则固定 \(\lambda\) 会导致超支或预算结余；而贪心只要相对排序对就行 —— 按人数 quantile 或动态预算池截断，无论分数怎么漂移，选出的都是当前最值得干预的那批。

2. 线上计算更高效

贪心退化为” 打分 + 排序 + 阈值对比”，可以离线 / 近线预计算，比在线解非线性方程快得多。

平滑 Treatment：从硬阈值到软强度

无论用拉格朗日还是贪心，前面得到的都是硬阈值决策：\(\text{ROI} > \lambda^\star\) 全干预，否则完全不干预。这种 0 / 1 决策在很多业务里是次优的，原因有两点：

1. 失去探索空间

如果 treatment 是” 不出某体裁” 这种强干预，对高 ROI 用户完全不出会让系统永远观察不到他们对该体裁的真实反馈，也就是永远丧失了对这部分用户的探索，这对业务提高渗透的目标来看是基本不太能接受的

2. 整数解会浪费预算

举个例子：预算 \(C = 2.5\)，两个用户：

• 用户 A：\(\text{gain}=10\)，\(\text{cost}=2\)，\(\text{ROI}=5\)
  
• 用户 B：\(\text{gain}=8\)，\(\text{cost}=2\)，\(\text{ROI}=4\)

硬阈值（贪心或拉格朗日都一样）：先选 A（cost = 2 ≤ 2.5），再考虑 B 时累计 cost 会变成 4 > 2.5，只能舍弃 B。最终 gain = 10，剩余 0.5 预算被浪费。

如果允许把 treatment 强度分摊（连续的 \(x_i \in [0,1]\)，理解为概率或强度比例），把 1.5 的 cost 分给 A（强度 75%）、1 的 cost 分给 B（强度 50%），假设 gain 与 cost 等比例缩放，则总 gain = \(10 \times 0.75 + 8 \times 0.5 = 11.5 > 10\)。

LP 松弛的最优解形式

LP 松弛（Linear Programming Relaxation）是组合优化里最经典的近似求解套路之一 —— 把 \(x_i \in \{0,1\}\) 这种整数约束放松成 \(x_i \in [0,1]\)，原问题变成线性规划，可以用 KKT / 单纯形法精确求解。

我们当前面临的问题是一个背包问题，而连续背包问题（fractional knapsack）的最优解就是按 ROI 排序的贪心解，这是个有严格证明的经典结论；0 / 1 背包的 LP 松弛最优解最多只有一个分数变量，和整数解的最优值差距有界

通过把整数约束 \(x_i \in \{0,1\}\) 放松为连续 \(x_i \in [0,1]\)，对偶变量 \(\lambda \ge 0\) 对应预算约束。其 KKT 条件给出最优解如下：

\[ x_i^\star = \begin{cases} 1, & \text{ROI}_i > \lambda^\star \\ \in [0,1], & \text{ROI}_i = \lambda^\star \\ 0, & \text{ROI}_i < \lambda^\star \end{cases} \]

也就是 ROI 高于影子价格 \(\lambda^\star\) 的全开、低于的全关。这本身仍是阶跃函数，但提供了一个关键性质：最优 treatment 强度是 ROI 的单调不减函数。

LP 松弛在 uplift 这类预算约束问题里特别合适的几个原因：

• 解的结构清晰：上面的阶跃形式直接对应业务里” 按 ROI 排序后取 top-K” 的朴素直觉，模型分能直接转成可执行的策略
• 天然支持平滑：连续 \(x_i\) 本身可以解释成” 概率/强度”，工程上正好对应平滑 treatment（发券概率、推荐分加权、排序惩罚力度等），不像整数解那样需要额外做” 舍入到 0/1”
• 和贪心的等价关系：连续背包的 LP 解就是 ROI 排序贪心解，所以前一节的贪心策略本身就是 LP 松弛在背包结构下的精确解，不需要额外求解器

LP 最优解的固有性质：单调性

上面 KKT 形式已经隐含了”\(x_i^\star\) 关于 \(\text{ROI}_i\) 单调不减”，但这个性质并不依赖任何函数形式 —— 它是任何” 预算约束下连续分配” 问题最优解的固有性质，可以用 exchange argument（交换论证）严格证明。

考虑两个用户 \(i, j\)（\(\text{cost}_i, \text{cost}_j > 0\)），假设 \(\text{ROI}_i > \text{ROI}_j\)，但反证地假定最优解里 \(x_i^\star < x_j^\star\)。我们做一个微小预算转移：从 \(j\) 收回 \(\varepsilon\) 单位 cost、转给 \(i\)：

• \(x_j\) 减小 \(\dfrac{\varepsilon}{\text{cost}_j}\)，释放出 \(\varepsilon\) 单位 cost
• \(x_i\) 增大 \(\dfrac{\varepsilon}{\text{cost}_i}\)，消耗 \(\varepsilon\) 单位 cost

总 cost 不变，预算约束仍满足。目标函数的变化是：

\[ \Delta \text{Obj} = \frac{\varepsilon}{\text{cost}_i}\cdot\text{gain}_i - \frac{\varepsilon}{\text{cost}_j}\cdot\text{gain}_j = \varepsilon \cdot (\text{ROI}_i - \text{ROI}_j) > 0 \]

也就是说我们能严格提高目标值，与” 原方案最优” 矛盾。所以最优解必然有 \(x_i^\star \ge x_j^\star\)。

这个 exchange argument 不假设任何函数形式，得到的结论是个客观事实：只要预算可以连续分配、ROI 定义良好（cost > 0），最优分配就一定按 ROI 单调不减。连续背包、网络流分配、广告竞价都是同一个机制。

映射函数选择

KKT 的阶跃形式不能直接落地（不可导、无探索），工程上要找一个函数 \(f(\text{ROI})\) 来近似它，这个函数必须满足：

• 单调不减 —— 这是上面 exchange argument 强制要求的，否则就不是 LP 最优解的合法近似
• 平滑可导 —— 方便端到端训练、梯度优化
• 值域 \([0,1]\)—— 对应概率 / 强度的语义
• 在 \(\text{ROI} = \lambda^\star\) 附近过渡 —— 保留阶跃解的形态

满足这些条件的函数族很多：

工程上选 sigmoid 主要是因为形式简单 + 处处可导 + 业务里好调参，并不是它在数学上” 更优”。换成其他单调平滑函数，结论同样成立。

最后我们可以看到，线上生效的往往是 “ROI 越高 → 惩罚越大” 的逻辑。

这在直觉上也讲得通：预算约束下” 边际收益高的人多分一点资源”——ROI 高意味着这个干预对该用户性价比高，自然该多分干预强度。这是约束优化下的资源分配定律，和拍卖里高出价者得到更多资源是同一回事。

因此，平滑映射在线上的优势往往是

1、保留探索空间，缓解反馈闭环
2、充分利用预算（避免整数约束的舍弃浪费）
3、不同用户分配不同强度，干预动作更精细

自适应分布

策略上线后，数据分布很可能发生变化。

常见问题包括：

1、Uplift ROI 分布漂移

解决思路是对分数再做归一化，把它映射到稳定区间 [a, b]，从而让阈值与分位更可控。

2、业务指标长期右移或左移

比如客单价、转化价值、时长、广告出价等指标随着业务阶段变化持续右移或左移，这时模型分可能没问题，但决策阈值和预算映射会逐渐失真。

所以，uplift 策略上线之后，不能只看模型是否更新，还要持续看：

• 分数分布是否漂移
• 人群覆盖率是否异常
• gain / cost 比例是否变化
• 策略副作用是否扩大

反馈闭环陷阱

策略上线后，最容易踩的坑是直接用线上数据回训模型。这是 uplift 场景特有的、且比 CTR / CVR 严重得多的问题，值得单独说一下。

线上 uplift 策略上线后，干预分配不再随机：高分用户几乎都被干预，低分用户几乎都不干预。这直接破坏了 uplift 估计的两个关键前提：

• 重叠性：\(0 < P(T=1 \mid X=x) < 1\) → 高分人群几乎全是 \(T=1\)，低分人群几乎全是 \(T=0\)，重叠区域消失
• 无混淆性：\(T \perp (Y(1), Y(0)) \mid X\) → treatment 分配本身就是模型分的函数，混淆被引入

如果直接拿这批” 被策略选过的” 数据回训，模型会把策略本身的选择偏差当成” 因果效应” 学进去，下一轮分数更极端，干预更集中，偏差进一步放大 —— 经典的反馈闭环。

这个问题其实 CTR、CVR 也有，但是对 uplift 来说比 CTR / CVR 严重得多

直觉上：CTR 模型即使有选择偏差，至少还在学” 这群人会不会点”；uplift 模型一旦失去重叠性，学到的就根本不是因果效应了，而是策略选择规则本身。

工程上的常见修正手段有如下几种

实际工程里，holdout 随机桶是性价比最高的方案：它既维持了 RCT 的可识别性，又不用频繁暂停策略；同时 holdout 桶天然可以用来做模型 A / B 对比、Qini 曲线评估、阈值校准等多个用途。

最简单的只需要记住：uplift 模型的训练数据必须保持 treatment 分配的随机性，不能直接吃自己策略产出的数据，否则就是在自我强化偏差而不是学因果。

多 Treatment 与 连续 Treatment

前面讨论的内容主要围绕单一、二值的 treatment 展开。但实际业务中经常会遇到更复杂的形式：

• 多 Treatment：存在多种离散干预方式（如不同面额的优惠券、不同的广告创意）
  
• 连续 Treatment：干预存在强度 / 剂量差异（如折扣力度、补贴金额、曝光频次）

这两类场景在因果识别假设、建模方法和决策求解上都和二值场景有明显差异，下面分开讨论。

共同的因果识别假设

二值 treatment 的三个假设（无混淆性、重叠性、SUTVA）需要做对应扩展：

无混淆性：要求对所有 \(t\) 成立

\[\{Y(t)\}_{t \in \mathcal{T}} \;\perp\; T \;\big|\; X\]

也就是说，给定 \(X\) 之后，treatment 分配 \(T\) 与所有可能的潜在结果都独立。这通常要靠多臂 RCT（多 treatment）或剂量随机化（连续 treatment）来保证。

重叠性：扩展为对每个 \(t\) 都需要观测到样本

• 多 treatment：\(P(T=t \mid X=x) > 0, \quad \forall t \in \{0, 1, \dots, K\}\)
• 连续 treatment：条件密度 \(f_{T \mid X}(t \mid x) > 0, \quad \forall t \in \mathcal{T}\)

这一条在实际业务里最容易踩坑。比如某种 treatment 在线上策略里只发给特定人群，那么 \(P(T=t \mid X=x)\) 在其他人群里就是 0，模型在这部分人群上无法识别 \(\tau(x, t)\)。

广义倾向性得分（Generalized Propensity Score, GPS）：是二值倾向性得分 \(P(T=1 \mid X)\) 的推广

• 多 treatment：\(e_t(x) = P(T=t \mid X=x)\)，每个 \(t\) 一个
• 连续 treatment：\(e(t, x) = f_{T \mid X}(t \mid x)\)，是条件密度

GPS 是后续 IPW、DR、加权回归等估计器的基础（Imbens 2000；Hirano & Imbens 2004）。

多 Treatment 场景

当存在多种干预选择时，问题从” 要不要干预” 变成了” 用哪种方式干预”。

问题定义

设有 \(K+1\) 种 treatment 取值 \(t \in \{0, 1, \dots, K\}\)，其中 \(t=0\) 表示不干预。每种 treatment 对应一个潜在结果 \(Y_i(t)\)，个体处理效应（相对不干预）为 \(\tau_i(t) = Y_i(t) - Y_i(0)\)。

由于 ITE \(\tau_i(t)\) 不可观测，实际建模目标是 CATE：

\[\tau(x, t) = E[Y(t) - Y(0) \mid X = x], \quad t \in \{1, \dots, K\}\]

最优 treatment 决策定义在 CATE 估计上：

\[\hat{t}^\star(x) = \arg\max_{t \in \{0, 1, \dots, K\}} \hat{\tau}(x, t)\]

其中 \(\hat{\tau}(x, 0) \equiv 0\)。

常见建模方法

1. One-vs-All (OVA)

把多 treatment 问题拆成 \(K\) 个二分类 uplift 子问题，每个子问题独立估计：

\[\hat{\tau}_k(x) = \hat{E}[Y(k) - Y(0) \mid X=x], \quad k=1,\dots,K\]

然后选择估计增量最大的 treatment：\(\hat{t}^\star(x) = \arg\max_k \hat{\tau}_k(x)\)。

优点是可以直接复用已有的二分类 uplift 模型。缺点比” 训练 \(K\) 个模型” 更深一层：

• 样本利用率低：训练 \(\hat{\tau}_k\) 时只用 treatment \(k\) 和 control 两组样本，其他 treatment 组的数据被丢弃
• 比较时偏差不可比（horse race bias）：\(K\) 个独立模型各有不同方向、不同量级的偏差，做 argmax 时会被相对偏差污染 —— 某个 \(\hat{\tau}_k\) 系统性高估，就会被永远选中
• 不强制约束 \(\hat{\tau}(x, 0) = 0\)

2. Multivalued S-Learner

把 treatment 当作多值类别特征喂进单一模型：

\[\hat{\mu}(x, t) = \hat{E}[Y \mid X=x, T=t]\]

预测时枚举所有 \(t\)，选 uplift 最大的：

\[\hat{t}^\star(x) = \arg\max_t \big(\hat{\mu}(x, t) - \hat{\mu}(x, 0)\big)\]

这是 S-Learner 的多值版本，需要 unconfoundedness 对所有 \(t\) 成立 + 重叠性扩展。优点是可以学到 treatment 间的共享结构，所有样本都参与训练；缺点继承自 S-Learner——treatment 信号可能被强正则” 抹平”。

3. Pairwise Comparison

对每对 \((j, k)\) 估计相对优势：

\[\hat{\tau}_{jk}(x) = \hat{E}[Y(j) - Y(k) \mid X=x]\]

需要 \(\binom{K+1}{2} = O(K^2)\) 个模型。综合 pairwise 结果可用 Borda count、Bradley-Terry 等。

主要风险是传递性破坏：可能出现 \(\hat{\tau}_{12} > 0\)、\(\hat{\tau}_{23} > 0\)、但 \(\hat{\tau}_{13} < 0\) 的环路（独立估计的不一致性）。所以 \(K \ge 4\) 时一般不直接用 pairwise。

4. DR-Learner / GPS 加权方法（更现代的做法）

直接对每个 treatment 构造 doubly robust 伪结果：

\[\tilde{Y}_i(t) = \hat{\mu}(X_i, t) + \frac{\mathbb{1}\{T_i=t\}}{\hat{e}_t(X_i)} \big(Y_i - \hat{\mu}(X_i, t)\big)\]

然后对 \(\tilde{Y}_i(t) - \tilde{Y}_i(0)\) 做回归得到 \(\hat{\tau}(x, t)\)。优势是只要 \(\hat{\mu}\) 和 \(\hat{e}_t\) 中有一个估准就能保证一致性，且样本利用率高于 OVA。Causal Forest、EconML 都提供了多 treatment 版本。

预算约束下的联合决策

更接近实际业务的问题是：在预算约束下，同时决定” 给谁干预” 和” 用哪种 treatment”。设决策变量 \(x_{it} \in \{0,1\}\) 表示是否对用户 \(i\) 施加 treatment \(t\)（\(t=0\) 表示不干预，\(\text{gain}_i(0) = \text{cost}_i(0) = 0\)）：

\[ \begin{aligned} \max_{\{x_{it}\}} \quad & \sum_{i=1}^n \sum_{t=1}^K x_{it} \cdot \text{gain}_i(t) \\ \text{s.t.} \quad & \sum_{i=1}^n \sum_{t=1}^K x_{it} \cdot \text{cost}_i(t) \le C \\ & \sum_{t=0}^K x_{it} = 1, \quad \forall i \\ & x_{it} \in \{0, 1\} \end{aligned} \]

第二条约束限制每个用户最多选一种 treatment（包括” 不选”）。这是个多选择背包问题（Multiple Choice Knapsack Problem, MCKP），是 NP-hard 的。

实际中的近似贪心：

1. 枚举所有 \((i, t)\) 对（\(t \ne 0\)），计算 \(\text{ROI}_{it} = \text{gain}_i(t) / \text{cost}_i(t)\)
2. 按 ROI 全局降序排
3. 依次选择，对每个用户只保留最先选中的那条（per-user dedup），直到累计 cost 达到 \(C\)

简单的” per-user argmax + global sort”（先给每个用户挑 ROI 最高的 treatment，再全局按用户排）在 MCKP 下不是最优 —— 它丢失了” 差一档 treatment 但 cost 更低” 的备选项。LP 松弛求 \(\lambda^\star\) 后，每个用户独立选 \(\arg\max_t (\text{gain}_i(t) - \lambda^\star \cdot \text{cost}_i(t))\)，再二分搜 \(\lambda^\star\) 让总 cost 接近 \(C\)，是更标准的解法。

连续 Treatment 场景

当 treatment 是” 做多少” 的连续变量时（折扣力度、出价、曝光频次），目标变成估计剂量 - 响应曲线（Dose-Response Curve, DRC）。

问题定义

Treatment \(t\) 取值在 \(\mathcal{T} \subseteq \mathbb{R}\)。在连续场景下 uplift 有两种合理定义：

绝对 uplift（相对不干预或基准剂量 \(t_0\)）

\[\tau(x, t) = E[Y(t) - Y(t_0) \mid X = x]\]

适合” 开 / 不开” 或” 加 vs 不加” 型决策。

边际 uplift（剂量每增加一个单位带来的收益变化）

\[\partial_t \mu(x, t) = \frac{\partial}{\partial t} E[Y(t) \mid X = x]\]

适合做剂量优化、寻找最优拐点。

两者背后都是同一条 DRC \(\mu(x, t) = E[Y(t) \mid X=x]\)，区别只是看积分还是导数。

常见建模方法

1. Dose-Response Network (DRNet, Schwab et al. 2020)

共享底层表示 + 多个 head 的神经网络结构：把剂量空间切成 \(M\) 个子区间 \([t_m, t_{m+1}]\)，每个区间一个 head，所有 head 共享前几层 encoder：

\[\hat{\mu}(x, t) = \sum_{m=1}^M \mathbb{1}\{t \in [t_m, t_{m+1}]\} \cdot h_m(\phi(x), t)\]

共享 \(\phi(x)\) 让样本利用率比独立模型高得多；区间内 \(h_m(\cdot, t)\) 可以做线性 / 样条插值，避免边界跳跃。

2. 连续 Meta-Learners

把 Meta-Learner 框架扩展到连续 \(T\)，常见做法包括：

• 把 \(t\) 作为输入特征的扩展 S-Learner \(\hat{\mu}(x, t) = f(x, t)\)
• 在每个剂量分位点上训练 T-Learner、再插值
• 连续 X-Learner（结合 GPS 加权）

预测时对 \(t\) 做网格搜索或梯度上升找最优剂量。

3. GPS 加权与 IPW 估计

用广义倾向性得分 \(\hat{e}(t, x) = \hat{f}_{T \mid X}(t \mid x)\) 做核加权 IPW 估计：

\[\hat{\mu}(x, t) = \frac{\sum_i K_h(t - T_i) \cdot \frac{1}{\hat{e}(T_i, X_i)} \cdot Y_i}{\sum_i K_h(t - T_i) \cdot \frac{1}{\hat{e}(T_i, X_i)}}\]

其中 \(K_h\) 是带宽 \(h\) 的核函数。直接 IPW 在密度估计偏小时方差爆炸，工程上常用：

• Stabilized weights：\(w_i = \hat{f}_T(T_i) / \hat{e}(T_i, X_i)\)，分子是 \(T\) 的边际密度，能大幅控方差
• Weight clipping：把权重截在 \([0.01, 100]\) 之类的范围
• Doubly robust 版本（如 Kennedy et al. 2017 的 DR - DRC）

4. 现代神经网络方法

VCNet（Variational Counterfactual Networks）、SCIGAN 等专门为连续 treatment 设计的网络结构，进一步把表示学习和 GPS 调整结合起来，是近年研究的主流方向。

最优剂量选择

给定用户特征 \(x\)，预算约束下的最优剂量是带 \(\lambda\) 的拉格朗日：

\[t^\star(x) = \arg\max_{t \in \mathcal{T}} \big(\text{gain}(x, t) - \lambda \cdot \text{cost}(x, t)\big)\]

在 \(t\) 连续可导时，一阶条件给出：

\[\partial_t \text{gain}(x, t) = \lambda \cdot \partial_t \text{cost}(x, t)\]

也就是边际收益等于影子价格乘以边际成本 —— 每多投一个单位剂量，带来的额外收益必须刚好抵得上付出的额外成本。\(\lambda\) 由全局预算约束 \(\int t^\star(x) \, dF(x) \le C\) 反解出来。

实操上常退化为网格搜索：

1. 在 \(\mathcal{T}\) 上离散采样 \(\{t_1, \dots, t_M\}\)
2. 对每个用户、每个 \(t_m\) 预测 \(\hat{\text{gain}}, \hat{\text{cost}}\)
3. 取 \(\arg\max_m (\hat{\text{gain}}(x, t_m) - \lambda \cdot \hat{\text{cost}}(x, t_m))\)
4. 二分搜 \(\lambda\) 让全局 cost 命中预算

注意这里不能简单用 ROI = gain / cost 排序：连续剂量下，最优解满足的是一阶条件（边际收益匹配边际成本），与 ROI 的最大化不等价。只有在 cost 是 \(t\) 的线性函数（即 \(\text{cost}(x,t) = c(x) \cdot t\)）时，ROI 排序才与拉格朗日最优一致。

工程挑战

从工程角度看，这两类场景的落地难度明显高于二值 treatment。一个普遍做法是先用二值 RCT 验证 uplift 信号存在性、再扩展到多 / 连续 treatment，避免一上来就在最难的设定下踩多重坑。

总结与展望

Uplift Modeling 的核心，不是预测 “谁会转化”，而是估计 “干预会让谁发生净变化”。因此它解决的是一个更贴近业务决策的问题：在有限预算与副作用约束下，把干预资源留给最值得被影响的人。

围绕这个目标，本文依次讨论了以下几个问题：

第一，为什么传统预测只能回答相关性，无法回答反事实；
第二，潜在结果、CATE 以及无混淆性、重叠性、SUTVA 构成了 uplift 的因果基础；
第三，S/T/X-Learner、Uplift Tree、Causal Forest 分别对应不同的建模取舍；
第四，AUUC、Qini 与累计增益曲线用于评估排序是否有效；
第五，真正落地时还要把 gain-cost 建模、预算约束、平滑 treatment 与反馈闭环修正串成完整策略链路。
第六，多 Treatment 和连续 Treatment 的场景里，建模方法应该如何改进

也正因为如此，uplift 的难点往往不只在模型，而在实验设计是否干净、gain 与 cost 是否定义完整、线上策略是否保留探索，以及回训时能否避免选择偏差持续累积。模型只是中间环节，策略优化才是最终目标。

继续往后看，更值得深入的方向包括：网络效应下的因果识别、多 Treatment 与连续 Treatment 的联合决策，以及 uplift 与 contextual bandit、reinforcement learning 的结合。二值 uplift 往往只是起点，真实生产问题通常会更复杂。

如果后面继续展开，我更想单独写几块工程细节：AUUC / Qini 的实现坑点、Causal Forest / DR-Learner 的样本与特征设计，以及平滑 treatment 和随机 holdout 的线上用法。

参考文献

1. Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies (Source). Journal of Educational Psychology, 66(5), 688–701.
2. Künzel, S. R., Sekhon, J. S., Bickel, P. J., & Yu, B. (2019). Metalearners for estimating heterogeneous treatment effects using machine learning (PDF). Proceedings of the National Academy of Sciences, 116(10), 4156–4165.
3. Wager, S., & Athey, S. (2018). Estimation and inference of heterogeneous treatment effects using random forests (PDF). Journal of the American Statistical Association, 113(523), 1228–1242.
4. Athey, S., & Wager, S. (2019). Estimating treatment effects with causal forests: An application (PDF). Observational Studies, 5(2), 37–51.
5. Athey, S., & Imbens, G. W. (2016). Recursive partitioning for heterogeneous causal effects (PDF). Proceedings of the National Academy of Sciences, 113(27), 7353–7360.
6. Radcliffe, N. J., & Surry, P. D. (2011). Real-world uplift modelling with significance-based uplift trees (PDF). Stochastic Solutions White Paper TR-2011-1.
7. Gutierrez, P., & Gérardy, J.-Y. (2017). Causal inference and uplift modelling: A review of the literature (PDF). In Proceedings of the 3rd International Conference on Predictive Applications and APIs (PMLR, Vol. 67, pp. 1–13).
8. Hirano, K., & Imbens, G. W. (2004). The propensity score with continuous treatments (Source). In A. Gelman & X.-L. Meng (Eds.), Applied Bayesian Modeling and Causal Inference from Incomplete-Data Perspectives (pp. 73–84). Wiley.
9. Kennedy, E. H., Ma, Z., McHugh, M. D., & Small, D. S. (2017). Non-parametric methods for doubly robust estimation of continuous treatment effects (PDF). Journal of the Royal Statistical Society: Series B (Statistical Methodology), 79(4), 1229–1245.
10. Schwab, P., Linhardt, L., Bauer, S., Buhmann, J. M., & Karlen, W. (2020). Learning counterfactual representations for estimating individual dose-response curves (PDF). Proceedings of the AAAI Conference on Artificial Intelligence, 34(4), 5612–5619.