美团外卖日订单量超过2400万单，已经占有了相对领先的市场份额。美团配送也构建了全球领先的即时配送网络，以及行业领先的美团智能配送系统，智能调度系统每小时路径计算可达29亿次。如何让配送网络运行效率更高，用户体验更好，是一项非常困难的挑战，我们需要解决大量复杂的机器学习和运筹优化等问题，包括ETA预测，智能调度、地图优化、动态定价、情景感知、智能运营等多个领域。过去三年来，美团配送AI团队研发效果

我们提出了一种从观察数据推断治疗(干预)的个体化因果效应的新方法。我们的方法将因果推断概念化为一个多任务学习问题;我们使用一个深度多任务网络，在事实和反事实结果之间有一组共享层，以及一组特定于结果的层，为受试者的潜在结果建模。通过倾向-退出正则化方案缓解了观察数据中选择偏差的影响，其中网络通过依赖于相关倾向分数的退出概率对每个训练示例进行减薄。该网络在交替阶段进行训练，在每个阶段中，我们使用两个潜

美团外卖日订单量超过2400万单，已经占有了相对领先的市场份额。美团配送也构建了全球领先的即时配送网络，以及行业领先的美团智能配送系统，智能调度系统每小时路径计算可达29亿次。如何让配送网络运行效率更高，用户体验更好，是一项非常困难的挑战，我们需要解决大量复杂的机器学习和运筹优化等问题，包括ETA预测，智能调度、地图优化、动态定价、情景感知、智能运营等多个领域。过去三年来，美团配送AI团队研发效果

MEC 2017：多模式情感识别挑战摘要：本文介绍了2017年多模态情感识别挑战(MEC)的基线，这是第一届亚洲情感计算和智能交互会议的一部分，(亚洲)2018年。MEC2017的目标是提高真实世界条件下情感识别的性能。中文自然视听情感数据库(CHEAVD)2.0作为挑战数据库是2016年MEC发布的CHEAVD的扩展。2017年MEC有三个子挑战，31个团队参与其中的全部或部分。27个队、1..

我们从观察数据中考虑因果效应的估计。在随机对照试验(RCT)昂贵或不可能进行的情况下，观察数据往往很容易获得。然而，从观察数据得出的因果推断必须解决(可能的)影响治疗和结果的混杂因素。未能对混杂因素进行调整可能导致不正确的结论。为了解决这个问题，医生除了收集治疗和结果状态外，还收集协变量信息。如果协变量包含所有混杂变量，则可以确定因果效应。我们将在“无隐藏混淆”的背景下贯穿全文。

诸如Uber、Lyft、Doordash、滴滴等公司的业务模式均是在下提供相应的供需匹配，因此此种业务模式在进行往往会面对因而带来的网络效应即同一时空下，用户的需求会共享同一批运力池。如果简单对用户进行随机分流，那么对实验组用户的策略不仅会影响实验组本身，同时也会影响对照组下的其他用户， 进而天然违背了A/B/N实验下的即实验组个体不会影响对照组个体。因此为了更好的在下进行科学合理的实验，Door

作为在线营销的关键组成部分，提升建模旨在准确捕捉不同处理激发不同用户的程度，例如优惠券或折扣，也称为个体治疗效果 (ITE) 的估计。在实际业务场景中，治疗选项可能众多且复杂，不同处理之间可能存在相关性。此外，每个营销实例也可能具有丰富的用户和上下文特征。然而，现有的方法在充分利用对特定处理敏感的处理信息和挖掘特征方面仍然不足。在本文中，我们提出了一个显式特征交互感知提升网络（EFIN）来解决这两

CausalML是一个基于Python的因果学习开源项目。最早为Uber项目定制、内部开源，而后正式成为开源项目。其提供了丰富的模型选择，例如常用的Meta-Learner和因果树模型，方便在实践中作对比和选择。同时还提供例如模拟数据生成、模型可视化、模型评估等一系列配套工具。其目标是用于解决业务实践问题，尤其是在计算速度和数据规模方面能够达到业界标准并持续优化。

我们从观察数据中考虑因果效应的估计。在随机对照试验(RCT)昂贵或不可能进行的情况下，观察数据往往很容易获得。然而，从观察数据得出的因果推断必须解决(可能的)影响治疗和结果的混杂因素。未能对混杂因素进行调整可能导致不正确的结论。为了解决这个问题，医生除了收集治疗和结果状态外，还收集协变量信息。如果协变量包含所有混杂变量，则可以确定因果效应。我们将在“无隐藏混淆”的背景下贯穿全文。

临时使用：可以在使用pip的时候在后面加上-i参数，指定pip源eg:pip install scrapy -ihttps://pypi.tuna.tsinghua.edu.cn/simple永久修改：linux:修改 ~/.pip/pip.conf (没有就创建一个)， 内容如下：有的朋友要改pypi源 mac没有.pip文件夹很正常 因为要自己建在终端...