我知道你会回来:可解释的移动社交应用新用户聚类和流失预测
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
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
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
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
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
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
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
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
使用卷积神经网络对超过 6 百万个客户的行为数据进行图像化,以预测客户流失,并使用监督学习和无监督学习方法,通过最大化激活潜在单位来了解客户流失的原因,从而提出预防客户流失的解决方法。
Apr, 2016
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