原文摘要

滴滴因果建模系列技术文章，基于目标正则化的神经网络方法，面向指数族分布的因果效应估计。

原文链接

进一步信息揣测

• 长期处理效应估计的商业实践难点：现有方法（如DML、GRF等）在复杂商业场景中失效，尤其是面对连续处理变量（如动态定价、多档优惠券）和未观测混淆变量（如用户隐性偏好）时，无法直接套用理想假设下的二元策略模型。
• 数据融合的隐藏技巧：滴滴通过短期随机试验数据（如A/B测试）与长期观测数据结合，解决未观测混淆问题。业内通常不会公开如何选择试验周期或数据权重分配的细节，这是模型有效的关键。
• 反事实空间优化的内幕：连续处理变量导致反事实组合爆炸，常规拟合会过拟合事实数据。论文[1]可能隐含了通过正则化或对抗训练约束反事实泛化的方法，但未公开具体超参调优策略。
• 个性化决策的行业需求：平均处理效应（ATE）在网约车场景价值有限，平台更关注异质性剂量响应曲线（HDRC），但实现需高维用户特征工程，文中未提及特征筛选的敏感维度（如用户活跃时段、历史投诉率等）。
• 未明说的工程挑战：长期效应涉及时间延迟反馈（如补贴对用户留存的影响可能滞后数月），实际部署时需设计特殊的数据管道和离线评估指标，这类架构细节通常被技术文章省略。
• 付费墙后的专业知识：论文[1]可能包含更复杂的神经网络结构（如特定注意力机制）或损失函数设计，但开源代码或公开文档通常不会提供训练技巧（如早停策略、隐层维度选择）。