Framework di Ottimizzazione Causale per Targeting e Raccomandazione su Larga Scala

È stato introdotto un nuovo framework incentrato sul processo decisionale per sistemi estesi di targeting e raccomandazione, che cerca di migliorare gli impatti causali entro vincoli globali invece di dipendere da punteggi predittivi. Questo framework comprende tre elementi chiave: una rete neurale causale con backbone Transformer per la stima degli effetti del trattamento individuale, un livello bayesiano neural-bandit che facilita l'esplorazione consapevole dell'incertezza, e un livello di programmazione lineare su larga scala basato su dualità per la distribuzione vincolata. Inoltre, supporta il contesto sequenziale e il punteggio multi-esito condizionato dagli attributi tramite un encoder Transformer e embedding degli esiti. Questo metodo affronta il problema della cattiva allocazione delle risorse negli sforzi di marketing, negli incentivi e nelle notifiche, dove i punteggi predittivi spesso colpiscono utenti che avrebbero comunque interagito. Il framework è stato valutato tramite simulazioni offline su un dataset pubblico di bandit. L'articolo è accessibile su arXiv con l'identificatore 2608.10182.