导读：在营销获客、医疗评估和经济决策中，Uplift Modeling（增量模型）已广泛应用。其核心目标是识别“不推不买、推了才买”的说服型（Persuadables）用户，实现ROI最大化。 然而，在真实业务场景中，算法工程师常面临一个关键挑战：延迟反馈（Delayed Feedback）。用户收到推送后，可能第1天关闭通知，也可能第14天才关闭。现有方法多采用固定观察窗口（如7天），若用户在第8天转化，即被误标为“负样本”。 这种“时差”导致的虚假负样本严重误导策略决策；同时，仅将是否关闭建模为二分类标签，也忽略了用户敏感度的差异。 近日，北京大学与字节跳动联合提出CFR-DF（Counterfactual Regression with Delayed Feedback）框架。该研究不仅从理论上证明延迟场景下的因果可识别性，更在抖音超10亿用户的真实A/B测试中验证了其有效性。
被忽视的痛点：时间也是一种“因果”
传统Uplift Modeling聚焦于“变没变”这一二元结果，但实践中，处理（Treatment）不仅影响结果，还影响响应时间（Response Time）。例如，提高推送频率可能使部分用户“更早”关闭通知。 - 若仅观察7天内关闭率，可能低估骚扰效应； - 延伸至30天，则能暴露因过度推送引发的“延迟关闭”。 忽视延迟反馈带来两大问题： 1. 偏差严重：将未来会转化的用户错判为不会转化，导致uplift估计偏离； 2. 维度缺失：响应时间本身反映用户敏感度，在促成购买等场景中，“早点买”同样具备高商业价值。
破局者：CFR-DF 框架
CFR-DF的核心思想是：不再只预测“是否发生”，而是同步建模“什么时候发生”。
1. “分而治之”的双路架构
CFR-DF构建两套并行神经网络，分别建模两个潜在结果： - 转化预测头：预测用户在特定处理下的潜在转化概率； - 时间预测头：预测若转化，其发生的潜在延迟时间分布。 网络采用多层神经网络+ELU激活函数提取复杂特征；输出层针对性设计：转化头用Sigmoid保证[0,1]概率输出，时间头用SoftPlus生成非负速率参数。2. 数学桥梁：观测概率的联合建模
受限于观察窗口T，无法直接获取最终结果。模型借助全概率公式，将观测状态与潜在变量关联，拆解为两类样本： - 观测正样本：用户最终会转化，且转化时间≤T； - 观测负样本：混合态，包含真负样本（永不转化）与假负样本（会转化但超出T）。 通过假设延迟时间服从指数分布，模型将复杂积分简化，实现端到端参数优化，显著降低计算成本。3. 攻克偏移：IPM 正则化
为缓解实验组与对照组分布不均衡引发的选择偏误，CFR-DF在损失函数中引入积分概率度量（IPM）距离，强制特征表示层过滤与实验分配相关的干扰信息，仅保留对因果效应有实质影响的表征。在线A/B实验数据可跳过该正则项。理论与实战的双重验证
1. 严谨的数学底色
论文严格证明：在满足时间独立性、时间充分性等前提下，即使存在观测延迟，潜在结果仍具可识别性，为模型提供坚实理论支撑。2. 十亿级用户的终极大考
研究在抖音平台开展大规模A/B测试，覆盖超10亿用户、13种推送频率策略。对比基线模型DESCN，CFR-DF表现如下： - TAU（今日活跃用户）提升+0.017%； - CCU（累计关闭用户）下降-0.259%。 结果表明，CFR-DF不仅能精准识别推送敏感用户，还可通过优化频率，在提升核心指标的同时改善长期用户体验。
为什么说它是算法工程师的福音？
- 即插即用（Backbone Agnostic）：可无缝集成至X-Net等主流Uplift模型；
- 鲁棒性强：在单调性或无混淆假设部分失效时，仍保持优于传统因果生存分析方法的估计精度；
- 多维价值：不仅识别“谁会转化”，更预判“何时转化”，支撑精细化运营决策。
结语
在数据驱动决策时代，“看得准”只是起点，“看得远”——预见延迟反馈——才是进阶关键。CFR-DF为工业界普遍存在的延迟反馈问题，提供了兼具理论深度与实践高度的标准解法。【论文信息】
作者：郑淳元，北京大学数学科学学院博士生。
论文标题：Uplift Modeling with Delayed Feedback: Identifiability and Algorithms
论文地址：https://haoxuanli-pku.github.io/papers/AAAI%2026%20-%20Uplift%20Modeling%20with%20Delayed%20Feedback-Identifiability%20and%20Algorithms.pdf