2-1 因果推断在游戏中的应用 - 房栋 腾讯游戏

游戏中的因果推断：挑战与解决方案

游戏场景中的因果推断挑战

• 用户体验和隐私因素导致缺乏实验数据。
• 观察数据存在干预偏差，如人工运营或算法选择偏差。
• 高活跃用户与低活跃用户被过度干预问题突出。

解决方案

• 利用观测数据进行因果推断，评估干预效果。
• 使用ATT（干预组平均处理效应）评估干预人群效应。
• 使用ATE（平均处理效应）评估整体效应，需通过加权方式均衡样本分布。
• 常用方法包括倾向性得分匹配（PSM）、Inverse-Probability-Treatment-Weighting（IPTW）、Double-Machine-Learning（DML）、Double-Robust-Estimator（DRE）、X-Learner。
• 双重稳健估计（DRE）在业务中更稳健，可在倾向性分数预测不准时调整。

技术挑战与解决方案

• 一般因果推断工具集（如微软econml、dowhy、uber causalml）非分布式实现，无法处理大数据量。
• 多场景数据量巨大，需精细化运营策略。

分布式低复杂度倾向性分数匹配（Hist-PSM）

• 通过将连续变量转化为直方变量实现匹配，降低内存占用和计算代价。
• Hist-PSM步骤：计算倾向性分数、PS分桶、计算个体数量、计算阈值、提取个体、合并数据。
• 分布式计算架构将匹配任务分解为子任务，提高效率。
• Hist-PSM内存占用更小，计算代价更小。
• 通过平衡性检验，Hist-PSM挑选的对照组在各类混淆变量的分布与干预组近似。

分布式鲁棒双重稳健估计

• 传统双重稳健估计在二元结果场景存在问题，如大量小于-1或大于1的ATE出现。
• Binary双重稳健估计将二元结果问题转化为连续回归问题，使用线性回归模型的预测值逼近分类任务真实标记的对数几率。
• 仿真检验显示，Binary双重稳健估计相比UBER-X-Learner和传统双重稳健估计，平均偏差降低42.16%和38.54%。
• 安慰剂检验显示，Binary双重稳健估计比PSM和DRE更加密集地分布在0附近。
• 缩减样本量仿真检验显示，Binary双重稳健依然表现出良好的ATE估计。

分布式面板双重差分

• 玩家参与不同活动次数、程度不同，受多种活动同时进行影响，难以区分效果。
• 构造面板二重差分（PanelDID）模型对各个活动的效果进行归因。
• 整体分析流程：构造面板数据、构造面板二重差分模型、参数估计、得出结果。
• 示例显示，可通过模型得出各活动效果（ATE）。

总结与展望

• 探索更多潜在的业务场景。
• 优化在未知ground-truth环境下的检验。
• 标准化分析方法论。