Stageboost: Recommending Signals Based on Counterfactual Estimation
Stageboost：基于反事实估计的商品详情页信号推荐模型
🧭 电商信号推荐 · 反事实估计
eBay India · eBay Israel · eBay USA
eBay利用两阶段XGBoost反事实估计在商品详情页优化信号展示，GMB提升0.08%
📌 工作参考价值
- 借鉴反事实估计校正信号展示偏差：记录信号曝光与转化数据，用IPW/DR等方法估计每个信号对转化的因果增益，而非简单看CTR，避免位置偏差误导。
- 两阶段解耦价值评估与组合优化：先独立预测信号收益，再在placement容量约束（如Urgency最多1个，Conversational最多2个）下求最优组合，提升可解释性和工程可控性。
- 对高客单价商品强化信号推荐：实验表明高平均价格商品转化提升显著，可针对此类商品增强信任/紧迫感类信号（如库存、退货政策）的投放。
- 工程上采用XGBoost，训练快、可解释，适合电商大规模候选信号的线上快速迭代。
动机：eBay商品详情页(VI)每天数亿访问，页面上的短文本/视觉信号（如“仅剩1件”“免费退货”）能显著影响购买决策。但现有信号展示方式缺乏全局优化，转化提升有限。
方法关键点：提出Stageboost，采用两阶段XGBoost模型。第一阶段利用反事实估计，从历史数据中学习不同信号在特定placement上对转化的因果增益，校正展示偏差；第二阶段在placement容量约束（Urgency最多1个，Conversational最多2个，共3个信号）下，求解最优信号组合。
关键结果：线上A/B实验显示，整体GMB提升0.08%，Parts and Accessories品类GMB提升0.58%，主要归因于高平均价格商品的转化率提升。