WSDMAug, 2019

利用潜在状态建模电子邮件打开时间及用户参与水平

PDF
TL;DR本文介绍如何利用生存分析框架来预测电子邮件收件人打开邮件所需的时间，通过 Cox 比例风险模型和混合模型进行模型训练，并和传统分类和回归模型进行对比，在实际的市场营销数据中取得了最佳的精度表现。
emailsurvival analysiscox proportional hazards modelmixture modelmarketing
发现论文，激发创造
  • 基于生存分析的移动通知状态转换模型

    本文旨在探索移动通知与用户参与之间的互动特性，并提出状态转换框架及生存模型来量化其有效性，并在通知传递时间优化方面进行在线应用实例，以实现更好的决策、推动更多的用户参与和提供更多的价值。

    Jul, 2022

  • 基于多任务框架的深度神经网络用于生存分析

    本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

    Jan, 2018

  • 使用神经网络和 Cox 回归进行时间至事件预测

    本文提出了将神经网络与 Cox 比例风险模型相结合进行时间到事件预测的新方法。基于嵌套病例对照研究的方法学，提出了良好的损失函数，能够适用于大型数据集，能够拟合比例和不比例的 Cox 模型扩展，并在实际数据集上表现出非常强的竞争力。

    Jul, 2019

  • CenTime: 事件条件下的生存分析中截尾建模

    提出了 CenTime，一种用于生存分析的新方法，该方法通过创新的事件条件压缩机制直接估计事件发生时间，即使在无未被压缩的数据的情况下，我们的方法依然能够形成事件模型参数的一致估计器。

    Sep, 2023

  • 使用生存机器学习和统计方法预测痴呆风险：以英国衰老长期研究队列为例的结果

    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

  • 深度推广时间疗愈模型

    本论文提供了一种基于灵活的生存模型与深度神经网络框架相结合的方法来预测存在治愈分数的事件发生时间，具有较强的预测性能。

    May, 2023

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    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

  • 在线展示广告的基于时间感知的用户前瞻性建模

    通过跟踪用户活动和设计强大的模型来获取转化意向的隐含信号，从而提高预测概率的可靠性和精度，并增加对信号影响的可解释性。

    Nov, 2019

  • 对抗时间至事件建模

    该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，通过有效利用丰富的健康分子数据和电子健康数据，为现代健康数据科学的应用提供了重要支持，并在基准和真实数据集上得到了显著的性能提高。

    Apr, 2018

  • 电子邮件通信重尾现象的泊松解释

    通过电子邮件通信的间隔时间，作者估算人类活动的非泊松性与昼夜节律和周律有关，并提出了一个级联的非齐次泊松过程来模拟这样的间隔时间，并证明了该模型能够很好地解释实际数据。

    Jan, 2009