该研究利用深度神经网络方式进行视频游戏内最高消费者（whales）的人群预测和经济价值分析，通过比较使用Pareto/NBD思想的建模方式，表明使用卷积神经网络标准结构预测最为准确，特别适用于大规模数据集。

Nov, 2018

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

本文在学术出版行业中提出了首个客户流失预测的经验研究并对我们提出的预测方法进行了验证，结果表明重新采样客户使用资源来建模流失是比考虑消费行为的高粒度更好的一种方法，即使忽略与每个客户概率相关的特定行为属性，采用机器学习算法可以实现将预测时间拉长到近一年。

Nov, 2022

本文介绍了一个新的大幅促销计算方法:增量转化率(IPC), IPC 方法需要转化数据、其倾向性和单个模型进行估计，解决了现有方法的多模型训练和收益估计中的复杂性问题，并通过合成模拟的真实案例证明了其功效。

Jun, 2023

本文提出了一种对LTV进行多视图预测的对比学习框架，通过综合多种异构的属性回归器来优化模型鲁棒性，并通过对比学习捕获样本关系来减轻对数据的依赖性，实验证明该方法可有效提高LTV预测的精度和收益。

Jun, 2023

本文提出了一种新颖的多任务框架ExpLTV，可以统一进行LTV预测和游戏鲸鱼检测。ExpLTV通过创造性地设计基于深度神经网络的游戏鲸鱼探测器，精确识别高消费者和低消费者，并将其作为门控网络来决定LTV专家组装的不同混合模式，从而充分利用共享信息和特定于场景的信息。最后，设计了一个共享估计器来保留内部任务关系。通过对三个工业数据集的广泛实验验证了ExpLTV的优越性。

Aug, 2023

本文介绍了一种新颖的预测和优化方法，用于以利润为驱动的流失预防。我们将针对留存活动的目标客户选择任务构建为一个后悔最小化问题，主要目标是利用个体客户生命周期价值（CLVs）确保只有最有价值的客户被选中。与许多以利润为驱动的策略侧重于考虑平均CLVs的流失概率相比，我们提出的模型通过遵循预测和优化（PnO）框架的指导方针，并且可以通过随机梯度下降等方法高效解决。来自12份流失预测数据集的结果突显了我们方法的有效性，其在平均利润方面相较于其他成熟策略取得了最优秀的性能。

Oct, 2023

基于Proportional Payoff Allocation Game模型，分析代理者（类似于YouTube和TikTok上的内容创作者）为有限资源和用户关注度而竞争的情景，探讨纯纳什平衡是否存在，并采用多人多臂赌博机框架的在线学习算法来最大化每个代理者在一定轮次内的累积收益。

Mar, 2024

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

本研究探讨了追加销售对用户参与度的影响，特别是针对幻想体育平台Dream11的用户存款行为建模。通过开展实验框架评估追加销售的效果，发现高强度的追加销售虽然提高了用户存款指标，但也降低了用户满意度和转化率。研究提出个性化的追加销售强度水平，以实现优化的权衡点，具有重要的理论与实践意义。

Sep, 2024