大规模移动游戏流失预测的半监督归纳嵌入模型
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
该研究针对社交游戏用户流失问题,提出了一种基于生存模型和集成学习技术的用户流失预测方法,能够高效准确地预测玩家游戏留存时间及提升游戏玩家流失率的分析和决策能力。
Oct, 2017
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
通过提出一个稳健的模型训练和评估框架,以标准化支出数据以降低标签变异性和异常值,并确保建模过程的稳定性,该论文介绍了一种协同增强模型,旨在预测用户游戏消费而无需依赖用户标识,从而确保用户隐私并实现在线训练,通过在融合用户偏好和游戏特征之前分别表示它们并将其作为支出预测模块的输入,通过严格的实验,证明了我们的方法在离线数据上实现了显著的 17.11% 的改进,并在在线 A/B 测试中获得了令人瞩目的 50.65% 的提升,总结我们的贡献突显了稳定的模型训练框架的重要性以及协同增强模型在移动游戏中预测用户消费行为方面的功效。
Apr, 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
使用移动应用的用户行为数据作为指标实现用户建模,通过 AutoEncoder-coupled Transformer 网络解决手工特征工程带来的人力成本问题,并展示了该网络在多个下游应用实验中嵌入用户的有效性。
May, 2020
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
本研究提出了一种多模态融合学习模型,用于识别金融服务提供商中客户流失风险水平,并通过引入迟误融合和混合融合技术取得了显著的流失预测改进,实现了 91.2%的测试准确率、66 的平均准确性和 54 的宏平均 F1 得分,同时还发现了负面情绪、低金融素养得分和高风险客户之间的正相关关系。
Dec, 2023
使用深度前馈神经网络和因果贝叶斯网络框架进行顾客流失预测,并通过测试数据的评估度量验证了该模型的优越性。同时,文中还提出了客户超额保证金交纳水平、账户增长和客户任期等独立因果变量可能会成为顾客流失的混淆因素。
Apr, 2023