uplift与因果效用

在买量中，我们本质上想买的其实是“看了广告才买产品”的用户，我们把看广告当作treatment, 因此实际上是要算的恰好是平均因果效用ATE=p(y|T=1)-p(y|T=0)，然后选择ATE高的用户，即HTE，也称为uplift，那么跟因果图怎么联系起来呢？考虑到用户属性会影响treatment，进而影响effect，即用户属性是confounder。

 uplift的技术路线

最简单的是用meta-learner，也就是说不用改变模型的结构，但是套用meta的框架就可以了，即插即用。

1. S Learner

2. T Learner: 两个模型，直接建模Y(1)和Y(0)

3. X Learner: 在样本不均衡的时候，建模popensity score，对结果加权

4. R Learner: Double Machine Learning