该论文提出了一种大规模的流失预测解决方案，使用经过半监督和归纳嵌入模型的深度神经网络以及独特的边嵌入技术来捕捉上下文信息和关系动态，同时考虑拓扑邻接和属性相似度， 以预测用户在移动游戏中的流失行为，并在三星游戏启动器平台上的真实世界数据上证明了其优越性。

Aug, 2018

本论文通过使用历史数据进行用户流失预测的详尽研究，旨在创建模型预测客户流失概率，帮助企业了解流失趋势并制定有效的留存计划。我们的方法将流失预测视为多变量时间序列分类问题，并展示在复杂的商业与客户背景中，结合用户活动和深度神经网络可实现出色的流失预测结果。

Sep, 2023

本文研究如何结合不同的神经网络结构来利用时序和聚合数据以提高客户流失预测的准确性。研究结果表明，使用这两种数据类型的组合比仅使用时序或聚合数据预测器能带来更好的预测准确性。

Sep, 2022

本研究使用基于循环神经网络的深度生存分析模型，仅利用个体客户行为预测其购买行为，不需要耗时的特征工程过程，旨在帮助全球零售商提高客户留存率，从而提高业务利润。

Apr, 2023

利用 Snapchat 的实际数据为例，本文提出了一种名为 ClusChurn 的两阶段系统框架，通过用户聚类来预测用户流失，结果表明该框架在预测用户流失方面取得了最先进的性能。

Sep, 2019

该研究提出了一种深度循环生存分析模型，结合了深度学习和生存分析，通过对每个样本的条件概率建模，捕获时间依赖性，预测真实事件发生的可能性并估计被审查数据的生存率，同时不需要假设任何特定形式的事件概率分布，在三个不同领域的实验中，该模型在各种度量标准下明显优于现有解决方案。

Sep, 2018

应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

Mar, 2024

通过对八个来自全球电信组织的通话详单数据集进行不同的关系学习器策略测试，本研究评估了关系分类器与集体推断方法对关系学习器预测能力的影响以及在电信行业中预测客户流失时，关系学习器与传统预测方法相结合的性能。需要注意的是，网络构建对预测模型的结果有影响，并提供了如何在电信行业中应用社交网络分析进行流失预测的最佳方案，从网络架构到模型构建和评估均有所提示。

Jan, 2020

研究使用机器学习中的生存分析方法，基于英国长寿研究队列 ELSA 数据，构建了两种基于随机森林和弹性网络算法的生存机器学习模型，并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。

Jun, 2023

通过研究 Rashomon 集合中模型更新引起的冲突预测多样性，本文提出了一种传统多样性度量方法用于预测模型的非稳定预测数量，以及如何通过该方法预测、减少和避免消费者应用中的冲突。

Feb, 2024