小红书精读：Jointly Optimizing Debiased CTR and Uplift for Coupons Marketing: A Unified Causal Framework

🎯 券的刺激和真实兴趣，要分开算

各位算法同学们，优惠券带来的点击里，到底多少是用户本来就想点，多少是券刺激出来的？常规CTR模型很容易把这笔账混在一起，导致基础CTR预估偏移。快手这篇工作把去偏CTR和uplift放进同一个因果框架联合优化，思路清晰，落地细节不少。

📄 Jointly Optimizing Debiased CTR and Uplift for Coupons Marketing: A Unified Causal Framework

🔧 提出Deconfounded Causal Representation层，把用户特征中的混淆因子和treatment敏感表征拆开，从根源减弱选择偏差对CTR的污染。 🧩 用Counterfactual X-Network在全样本空间同时重建去偏base CTR和强度响应曲线，让事实与反事实预测互相牵制，缓解观测数据缺口。 ⚙️ 针对连续多值优惠券，引入Latent Unit Sensitivity（uCATE），假设券在logit空间对用户施加线性单调偏移，从而表达边际递减；再配合辅助强度估计任务和unit uplift目标，让不同面额的增量可比。

📊 合成数据和大规模工业数据集上，UniMVT在预测精度和校准上都优于现有对照方法。 📈 真实A/B测试同样验证了更有效的券分发能显著提升业务指标。

总结一下：这套方法对做营销预算分配、优惠券场景排序的同学有参考价值。落地的坑主要在假设上——logit空间线性单调不是对所有业务都成立，而且多值treatment的倾向性估计一旦偏了，uCATE也会跟着不稳。想复现的话，建议先在自己数据上看看基础CTR和增量部分能否被干净地分离。

原文：AlphaXiv