Personalization
HTE · targeting · recommendation · pricing
through-line — 임상의 individualized treatment decisions와 산업의 targeting·recommendation·pricing은 동일한 methodological core의 양면이다.
노트 20개
-
Dunnhumby — Track 1: Latent-Factor Customer Segmentation
NMF latent factors (92.44% explained variance) + K-Means yield 7 stable behavioral segments (Bootstrap ARI 0.77) with per-segment marketing actions. Illustrative case study on the public Dunnhumby retail dataset.
-
Dunnhumby — Track 2: Causal Targeting via Heterogeneous Treatment Effects
심각한 positivity violation(PS AUC 0.989) 아래에서 Meta-learner·Causal Forest로 CATE를 추정한다. 최적 정책은 고객의 약 31%를 타겟팅하고, 반직관적인 음의 CATE 세그먼트를 드러낸다. 공개 데이터 기반의 가설 생성용 분석이다.
-
Applied Causal Inference for Pricing — CATE & SCM Across Public Datasets
An applied case study using only public datasets (LendingClub, iPinYou) that combines CATE estimation for price-sensitivity heterogeneity with SCM-based moderator analysis to design individual-level, risk-based pricing and RTB bidding policies — all findings illustrative and projected, not proprietary.
-
Customer Segmentation
Customer Segmentation은 고객을 행동·가치·선호의 유사성에 따라 유한 개의 세그먼트(segment)로 나누는 비지도(unsupervised) 과제다. 보통 잠재요인을 먼저 분해한 뒤 군집화하는데, 그 흐름은 행동 특성(feature) → NMF(비음수 parts-based 분해) → factor…
-
Customer Segmentation & Causal Targeting — An Applied Case Study
An end-to-end applied case study on the public Dunnhumby dataset — NMF latent factors and K-Means segmentation feeding meta-learner / Causal Forest HTE and an OPE-validated optimal targeting policy, with a candid look at positivity violation and counter-intuitive "sleeping dog" segments.
-
From Estimation to Action — How HTE Drives Personalized Policy Across Domains
One methodological spine — estimate heterogeneous treatment effects and turn them into individual-level policies — powers both clinical sequential treatment decisions and industrial targeting, pricing, and recommendation.
-
LLM Multi-Layer Attribute Extraction for Cross-Domain Recommendation
A case study on extracting a 3-layer attribute taxonomy (product / perceptual / theory-grounded) with LLM/VLM pipelines, turning it into user profiles and a mixture-of-experts adaptor, and plugging it into standard recommenders across two public domains (fashion + music).
-
Optimal Targeting Policy
Optimal Targeting Policy는 공변량(covariate) $x$를 처치(treatment) 결정 $\pi(x)\in\{0,1\}$로 사상해 정책(policy) 가치를 극대화하는 규칙이다:
-
RTB Bidding Strategy via Causal ML — From Prediction to Optimization
A five-stage case study on the public iPinYou RTB dataset that moves from pCTR/pCVR prediction through causal effect estimation (CATE, SCM) to budget-constrained optimal bidding and off-policy policy evaluation.
-
Targeting & Profiling Overview
타겟팅(targeting)과 프로파일링(profiling)은 personalization의 산업 쪽 얼굴이다. 이질적 효과를 추정해 개인 수준 최적 정책(policy)을 도출하는 동일한 방법론 코어(MOC-Personalization)가, 임상에서는 "환자별 최적 치료 배정"으로 나타나고 산업에서는 "고객별 최적…
-
Uplift Modeling
uplift(증분효과)는 처치(treatment, 캠페인 노출·쿠폰·추천)가 한 개인의 결과(구매·전환)에 미치는 인과적 증분이다. 이진 처치 $W\in\{0,1\}$, 결과 $Y$, 공변량(covariate) $X$에 대해 다음과 같이 정의한다.
-
User Profiling
사용자 프로파일링(User Profiling)은 고객의 행동 이력에서 개인의 선호 프로파일(취향·맥락·잠재 패턴)을 추론해 벡터로 표현하는 과제다. 타겟팅(targeting)·세그멘테이션(segmentation)·추천(recommendation)이 공통으로 쓰는 입력층으로, 임상에서 환자의…
-
Dynamic Treatment Regimes (DTR / OTR)
동적 처치 요법(DTR)은 누적 이력 $Ht$(공변량·이전 처치·중간결과)를 처치로 사상하는 결정규칙 열 $\{dt(Ht)\}{t=1}^T$이다. 최적 처치 요법(optimal treatment regime, OTR)은 기대 장기결과 $E[Y^{d}]$를 최대화하는 요법을 가리킨다. 다음 방법으로 추정한다.
-
ESCM² (Entire Space Counterfactual Multi-Task Model)
ESCM²는 ESMM의 두 가지 이론적 한계 — Inherent Estimation Bias (IEB)와 Potential Independence Priority (PIP) — 를 해결하려고, Inverse Propensity Score (IPS)와 Doubly Robust Estimator 기반의 반사실 위험…
-
ESMM (Entire Space Multi-Task Model)
ESMM은 CVR 학습의 표본 선택편향(sample selection bias)과 데이터 희소성(data sparsity)을 동시에 푸는 다중 작업 학습(multi-task learning) 모델이다. $\text{impression} \to \text{click} \to \text{conversion}$으로…
-
DeepFM
DeepFM (Guo et al., 2017)은 FM component와 Deep component를 병렬로 결합해, 저차 특성 상호작용(low-order feature interaction, explicit)과 고차 특성 상호작용(high-order feature interaction, implicit)을 동시에…
-
Factorization Machine
모든 특성 쌍의 상호작용을 latent vector 내적으로 모델링해, 희소 데이터에서도 관측되지 않은 쌍을 일반화하고 $O(kn)$ 선형 시간에 학습하는 범용 예측 모델.
-
PNN
PNN(Qu et al., 2016)은 embedding layer와 DNN의 hidden layer 사이에 product layer를 두어, 특성(feature) 임베딩(embedding) 사이의 상호작용(interaction)을 명시적으로 포착한 뒤 DNN으로 전달하는 CTR 예측 모델이다.
-
Wide and Deep
Wide & Deep(Cheng et al., 2016)은 선형 wide component(기억, memorization)와 DNN deep component(일반화, generalization)를 결합한 클릭률(CTR) 예측 모델이다. Google Play 앱 추천에 처음 적용되었다.
-
Multi-Task Learning
다중 작업 학습(multi-task learning)은 서로 관련된 여러 태스크를 동시에 학습해, 공유 표현(shared representation)으로 일반화(generalization) 성능을 끌어올리는 학습 패러다임이다.