当前位置:

首页 > 编程开发 > 游戏个性化数值因果推断的应用实践

游戏个性化数值因果推断的应用实践

游戏个性化数值调控中,因果推断模型用于评估变量变化对用户留存的影响。对比Meta-learner、DML等模型,DML通过残差拟合实现无偏估计,效果最优。在道具数量场景中,基于DML的有约束人群分配策略,线上A/B测试实现10%+留存收益,且流水活跃指标不降。

本文目录
    # 游戏个性化数值因果推断的应用实践 游戏里的数值设计,从来都不是一刀切的事。一个新手和一个老玩家,对同一关卡的感受可能天差地别。所以,根据算法给不同用户做个性化的数值调控,就成了提升体验、拉长时长和留存的关键手段。 先说几个核心判断。传统的监督学习,通常聚焦于预测结果Y本身,但在我们的场景里,真正关心的是“变量变化”对结果Y的影响。这类问题,业界往往会放在因果推断的框架下讨论。我们把变量称为T,变量变化带来的结果变化称为TE,用来预估TE的模型就是Uplift Model。 目前,常用的因果模型有meta-learner、DML、因果森林等。但说实话,这些模型各自的优劣势和实际表现,行业内还没做过特别全面的对比。所以我们这次就针对这些问题,做了一次详细的探索。 这篇文章会从理论到实践,把不同因果模型的优缺点和适用场景掰开揉碎了讲,希望能给后续处理类似问题的朋友一些启发。 ## 常见模型介绍 ### Meta-learner Meta-learner是目前主流的因果建模方式之一。它的思路很简单:用基础的机器学习模型去预估不同treatment下的CATE(条件平均干预效应)。常见的方法有s-learner和t-learner。 本质上,这两者都是用base-learner去学习用户在不同treatment组中的Y,再相减得到TE。区别在于,s-learner把所有treatment的数据放在一个模型里训练,treatment本身会作为一个输入特征;而t-learner则针对每个treatment组都单独训练一个模型。 ![图片](http://img.318050.com/uploads/20260408/177564227669d626a4a85ae.webp) ### Double Machine Learning Meta-learner有个天然的问题:中间变量的预测误差会导致uplift预估存在偏差。为了解决这个问题,DML引入了残差拟合和cross fitting等方法进行消偏,最终得到了无偏估计。 ![图片](http://img.318050.com/uploads/20260408/177564227769d626a567813.webp) DML的核心思想就是通过拟合残差,来消除中间变量偏差的影响。论文中证实,误差的收敛速度快于n^(-1/4),确保了最终预估结果的收敛性。下图展示了不使用DML、使用DML但不使用cross fitting、使用DML-cross fitting的效果对比: ![图片](http://img.318050.com/uploads/20260408/177564227869d626a631c2d.webp) ### Generalized Random Forests GRF是一种广义的随机森林算法。和传统随机森林不同,传统算法在split时找的是loss下降最大的方向,而GRF的目标是找到一种划分方式,能最大化两个子节点在干预效果上的差异。和随机森林一样,GRF也需要构建多棵树,每次建树时随机无放回抽样,一半用来建树,另一半用来评估。 ![图片](http://img.318050.com/uploads/20260408/177564227869d626a6e64ee.webp) GRF延续了DML的思想:第一阶段用任意机器学习模型去拟合残差,第二阶段引入得分函数Ψ(Oi)、目标函数θ(x)和辅助函数v(x)。得分函数其实就是残差,由公式Y = θ(x)T + v(x)得到。算法寻求满足局部估计等式的θ(x),本质上就是学习θ(x),让实验组和对照组数据的预估结果与真实值之差最小。 ![图片](http://img.318050.com/uploads/20260408/177564227969d626a77fbc7.webp) ![图片](http://img.318050.com/uploads/20260408/177564228069d626a82ed47.webp) ## 评估方式 目前因果模型常见的评估方式有两种:Uplift bins 和 Qini curve。 ### Uplift bins 将训练好的模型分别预测实验组和对照组的测试集数据,得到两组人群的uplift score。按score降序排列,截取top10%、top20%……top100%的用户,计算每个分位下两组人群分值的差异,这个差异可以近似认为是该分位下的真实uplift值。不过,Uplift bins只能做定性分析,没法直接比较不同模型的好坏。 ![图片](http://img.318050.com/uploads/20260408/177564228169d626a9121de.webp) ### Qini curve 在Uplift bins的基础上,可以绘制一条类似AUC的曲线来评价模型表现,这就是Uplift curve。当数据细分到样本维度时,每次计算截止前t个样本的增量,就能得到对应的Uplift curve。 计算公式为: ![图片](http://img.318050.com/uploads/20260408/177564228169d626a99e0f5.webp) 其中Y_t^T代表前t个样本增量时实验组样本转化量,N_t^T代表实验组累计到t时的样本总量,对照组同理。 ![图片](http://img.318050.com/uploads/20260408/177564228269d626aa7db47.webp) 如上图,蓝线是Uplift curve,实黑线是random的效果,两者之间的面积就是模型的评价指标——面积越大,说明模型效果比随机选择好得越多。这个指标叫AUUC(Area Under Uplift Curve)。 ## 业务应用 ### 样本准备 因果建模对样本的要求比较高,需要满足CIA(条件独立假设),即样本特征X与T相互独立。所以建模前,必须通过随机实验收集样本,通常用A/B测试的方式把用户随机分配到不同treatment中,观察用户在不同treatment下的表现。 ### 样本构造 样本构造的步骤和常规机器学习基本一致,但有几个地方需要特别注意: - **特征关联**:用户特征X必须严格使用进入随机实验组前的数据。比如,用户T日进入实验组,特征就必须用T-1日及以前的。否则,用户进入treatment后,部分特征可能已经受到干预影响,用受影响后的特征训练模型,会造成信息泄露,甚至起反作用。 - **目标选择**:有些场景下,treatment的影响需要一段时间才能显现,比如调整道具数量对用户留存的影响。这时,可以选择更长周期的目标,比如7日留存或14日留存,效果会比次日留存更好。当然也不是越长越好——周期越长,模型的学习成本越高,小样本场景下效果反而可能下降。所以,选一个合适的目标,能很大程度上提升线上表现。 ### 模型训练 在我们的场景里,用户每次完成任务发放的道具数量是treatment,用户留存和活跃时长的变化是关注的uplift。实验过程中,我们先后对比了s-learner、t-learner和DML的效果,base-learner都选用了lightgbm。 有意思的是,当我们用s-learner对活跃时长建模时,无论怎么调参,得到的treatment effect都是0——也就是说,用户在不同treatment下的活跃时长预测结果完全一样。但换成t-learner或DML后,数据就恢复正常了。输出s-learner的特征重要度,发现treatment特征的重要度为0。 进一步分析用户在不同treatment下的活跃数据,发现不同组的活跃弹性很小,即用户在不同treatment下的活跃改变很微弱。而s-learner对这种微小改动的敏感度很低,所以效果不佳。相比之下,t-learner会针对每个treatment都训练一个模型,相当于显性地放大了treatment的特征重要度;DML在训练过程中主要关注残差,所以这两类模型的效果都明显好于s-learner。 这也暴露了s-learner在数据弹性不足时的缺陷。后续训练中,我们直接放弃了s-learner,主要关注t-learner和DML。 ![图片](http://img.318050.com/uploads/20260408/177564228369d626aab53699.webp) 在后续的离线评估中,DML的效果显著优于t-learner。这也和理论相互印证:t-learner因为引入中间变量,中间变量的误差会导致最终uplift预估有偏;而DML通过拟合残差,实现了无偏估计。 ![图片](http://img.318050.com/uploads/20260408/177564228469d626aac24f98.webp) ### 人群分配 根据训练效果,我们最终选择了DML作为预估模型,得到了用户在不同treatment下的uplift值。然后根据这些值做人群分配,方案分为两种: - **无约束条件下的人群分配**:只关心优化指标,不关心其他指标的变化。可以基于贪心思想,直接给每个用户分配uplift值最高的策略。 - **有约束条件下的人群分配**:关注优化指标的同时,对其他指标也有约束。需要通过约束求解的方式来解决。 在我们业务场景中,用户留存、活跃时长、流水等目标都有约束,所以采用了有约束的人群分配方案。 ### 实验效果 基于训练好的DML模型和约束分配结果,我们开启了线上A/B实验。经过多周测试,相比基准策略,我们的策略在流水、活跃等指标不降的情况下,取得了置信的10%+留存收益。目前,基于因果模型的策略已经全量上线。 ## 总结及后续展望 因果模型在互联网各大场景已经得到了广泛实践,也取得了不错的收益。随着营销活动越来越多、营销手段越来越复杂,treatment的维度也在从常见的多treatment逐渐变为连续treatment,这对样本、模型学习能力等各方面的要求都越来越严格。 后续工作,可以考虑从多目标建模、场景联动、无偏估计、强化学习等方面继续优化,为各个业务场景创造更大的价值。
    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    QQ影音怎么加速播放视频课程
    QQ影音怎么加速播放视频课程

    播放时右键选播放速度,或点控制条倍速,1.25 到 1.5 倍看课最舒服;公式代码类内容别超过 1.25 倍。

    企业微信创建企业提示失败怎么办 实名与填写检查
    企业微信创建企业提示失败怎么办 实名与填写检查

    先看提示属于哪类:名称占用就加后缀,实名不一致就重填本人信息,证件不清晰就重拍。统一社会信用代码逐位核对,连续三次失败别改材料重投,直接联系客服人工核。

    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?
    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?

    说明源码提交对字符串、生成器和数组的识别边界,以及扫描命令与发行包核验限制。

    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?
    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?

    0.170.0 的语音更新限于终端通话协商能力的明确新增,同名工具服务器跨环境支持仍标注实验性质;连接部分则修复大请求回退、认证竞态和云端重连等具体问题。这份正式版公告不足以证明所有账户、所有客户端都已具备完整语音功能。

    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?
    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?

    了解Hy4 flash、FP8与base的适用任务,阅读官方安装及图文代码,并核对资源和MaaS许可条件。

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化
    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化。说明已核实的更新范围、类型兼容性和本地版本确认方法。

    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?
    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?

    OpenAI Java SDK 4.108.0 面向 Live MCP 工具接入与 Managed Agents 预算状态处理,说明新增模型、事件含义、正式发布范围和适用限制。

    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?
    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?

    Free Claude Code 6.19.37 在自动搜索时保留客户端工具及选择条件,代理执行搜索后仍返回普通调用。说明适用场景、历史信息保留、请求约束与第三方项目的版本边界。

    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?
    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?

    Google GenAI Go SDK 1.78.0 将 Gemini Developer API 默认改为 v1,可用 HTTPOptions.APIVersion 或环境变量保留 v1beta,Vertex AI 默认值不变。

    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?
    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?

    解释实验性实时支持、环境检查与生产评估中需要验证的条件。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。