作过程，这些都让游客对花茶产生了浓厚的兴趣。

    勾起欲望：接着，汉服小姐姐向游客介绍了花茶的功效和口感。

    她告诉游客，花茶不仅味道酸甜可口，还具有放松身心、解决焦虑和失眠等问题的功效。

    这些介绍让游客对花茶产生了强烈的购买欲望。游客开始想象自己在日常生活中品尝花茶的场景，感受到了花茶带来的美好体验。

    促进行动：为了促使游客最终购买花茶，汉服小姐姐采取了一系列措施。

    首先，她通过活动推荐的方式，让游客了解到现在购买花茶可以享受一些优惠。例如，购买一定数量的花茶可以获得赠品，或者享受折扣价格。

    其次，她还建议游客减少购买量，先尝试一下花茶的口感。这种方式降低了游客的购买风险，让游客更容易做出购买决策。

    最后，在汉服小姐姐的引导下，游客选择了自己喜欢的花茶口味，并完成了购买行为。

    （二）在线推荐中的应用

    算法优势分析

    提出基于 d-分离的 UCB算法（D-UCB），减少探索量，实现低累积遗憾。

    在在线推荐中，客户从基本分布中以顺序和随机的方式到达，决策模型需为每个个体推荐商品以最大化预期奖励。

    基于 d-分离的 UCB算法（D-UCB）将因果推理纳入强盗模型，采用软干预对手臂选择策略进行建模，探索 d-分离集在减少探索所需数量方面的作用。

    通过利用从底层因果图中确定的 d-分离集，D-UCB大大减少了实现低累积遗憾所需的探索量，实现了 O( p |W|- T)的遗憾约束，其中 T是迭代次数，W是因果图中 d分离手臂/用户特征和奖励 R的集合。

    相比之下，不利用因果信息的经典 UCB以及 C-UCB（因果 UCB，利用奖励和其直接父母之间的因果关系）算法在探索量和累积遗憾方面表现欠佳。

    在电子邮件运动数据上的实验显示，D-UCB比这两个基线算法产生的遗憾更少，证明了其在在线推荐中的有效性。

    提出公平因果强盗（F-UCB），实现反事实的个体公平。

    在 D-UCB的基础上，提出公平因果强盗（F-UCB）以实现反事实的个体公平。

    反事实的公平性要求，如果个体的敏感属性被改变为其对应的属性，那么该个体将获得的预期奖励保持不变。

    F-UCB引入的反事实奖励结合了两种干预措施，一种是对手臂选择的软干预，一种是对敏感属性的硬干预。

    F-UCB通过在每一轮的武器子集中挑选武器来实现在线推荐中的反事实公平性，其中所有的武器都满足反事实公平性约束。

    理论分析表明，F-UCB实现了 O(√|W|Tτ-?π0)的累积遗憾边界，其中τ是公平性阈值，?π0表示安全策略π0的最大公平性差异，即一个在所有回合中都是公平的策略。

    在电子邮件运动数据上的实验用数字验证了 F-UCB保持了良好的性能，同时在每一轮中满足了反事实的个人公平性。

    不同平台的对比

    知乎在 AIDA模型中主要处于第一阶梯，即吸引用户注意力层面。

    在知乎上，答主通常围绕问题进行深度挖掘，文末的“好物推荐”如同“硬推荐”，文章内容与商品之间缺乏必然联系。

    例如，知乎某大 V曾吐槽在“好物推荐”里找不到想推荐的商品，如搜索“健身环大冒险”游戏，在知乎的淘宝接口上未找到，京东上虽有但宝贝可供选择少且价格偏贵。

    知乎加入拼多多作为商品来源，只是补足了商品库，从分成来看，博主们分佣也不高。

    此外，崇尚精英青年的知乎与深得小镇青年喜爱的拼多多在气质上形成反差，大 V们愿不愿意为拼多多带货、用户是否心甘情愿接受还是未知数。

    对于知乎来说，其拥有超过 2.5亿的用户，日活 8000万，最大的商业化杀手锏就是“流量”。

    大 V以内容吸引粉丝，为商品带来高曝光量，但很难让答主找到真正想推荐的商品，也较难激发起用户的兴趣，所以知乎在 AIDA模型中主要停留在引起注意阶段。

    小红书在 AIDA模型中的表现与知乎有很大不同。

    小红书是内容为商品服务的“软植入”，比如博主在推荐“黑科技吹发神器”时，会从自己的洗发痛点、发质、发量等全方位解说，让用户更有代入感，更易被种草。

    而且，小红书的受众本身就是以爱购物、爱分享生活的女性为主，受众精准；而知乎随着用户的泛化，标签也越来越模糊。

    所以，相比起知乎，小红书除了满足吸引注意层面，更容易触达兴趣与欲望层面，通过内容唤起用户的兴趣与欲望。