Jan, 2020

电信行业客户流失预测的社交网络分析：模型建立、评估和网络架构

PDF
TL;DR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。
发现论文，激发创造
  • 利用卷积网络对实际电信挑战进行高准确度预测

    本文研究如何应用深度学习和卷积神经网络来在电信环境下构建更好的预测模型，并解决其中的非常规问题 —— 预测电信运营商客户流失。该文通过创新的编码方法将客户活动数据和 CDR 数据转换为图像，并得出名为 WisNet 的模型。实验结果表明，WisNet 在使用结构化输入数据时学习特征的能力胜过手工特征的机器学习模型，且无需费时的特征工程，同时可实现模型的泛化性及提取有用的表示。

    Nov, 2015

  • 大规模移动游戏流失预测的半监督归纳嵌入模型

    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

  • 使用深度学习分析客户流失的因果关系

    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

  • 大规模用户产品互动时序的早期流失预测

    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

  • 基于生存集成的手机社交游戏流失预测：实现完整评估

    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

  • 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

    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

  • 金融机构中受限高维度特征空间效应提升流失因果分析

    研究提出了一个概念性框架，通过组合不同的算法来解决大规模高维金融数据中客户流失问题。研究评估了不同算法的性能表现，并确定了一些独立和混淆变量对客户流失的影响和可能原因。

    Apr, 2023

  • 基于深度学习顺序框架的零售业顾客流失建模

    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

  • 网络关联数据的预测模型

    本研究探讨了在众多现代应用中，训练数据中可能存在互相连接的个体不独立样本的情况下，预测算法的表现。我们提出了一种基于网络的罚函数来鼓励联通节点的预测相似性，并证明了将其应用于预测模型能够在现实和理论上得到显著的表现改进，特别在存在网络内部联系的情况下。此罚函数可以与许多基于损失的预测模型相结合，如回归模型，广义线性模型和 Cox 比例危险模型。通过对青少年的探险行为和大麻使用水平的预测研究，我们发现了这种方法对预测行为的提高是有效的，并且提供了对变量效应估计的说明。

    Feb, 2016

  • 多模融合学习的客户流失预测：融合客户金融素养、声音和行为数据

    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