用于预测尾重的客户终身价值的流式贝叶斯建模
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
通过开发一种基于元学习的堆叠回归模型,该模型整合了拥有良好个体表现的 Bagging 和 Boosting 模型的预测,本研究考察了不同模型并展示了所提方法的有效性。
Aug, 2023
提出了一种基于特征函数的线性特征模型(LCM),利用稳定分布计算在图形模型中存在的重尾分布下的精确和近似推理,该模型不局限于稳定分布,并可适用于离散、连续或混合随机变量。
Aug, 2010
本文提出了一种解决 LTV 模型困难的通用方法,基于动态规划求解,可应用于不同服务场景,实验结果验证其有效性,应用于大型电商移动应用程序中,LTV 增长了 10%。
Jan, 2022
该研究探讨了广义贝叶斯推断在错配模型下的应用,包括广义线性模型,通过 MCMC 抽样来实现广义贝叶斯 Lasso 和 Logistic 回归,并在模拟和真实数据中展示了广义贝叶斯在表现上超过标准贝叶斯的优点。
Oct, 2019
使用 Bayesian 潜在因子建模方法和 Bayesian 非参数技术来学习 Netflix 用户的视频偏好,并使用可扩展的推理技术应用于大型数据集,最终结果表明该模型能够捕捉到观看模式和地理位置之间的有趣关系。
Dec, 2016
通过机器学习,我们提供了一个可适用于像零售银行这样存在长期合同且以产品为中心的客户关系的行业的客户生命周期价值的建模框架。通过实现我们的模型预测客户接受投资产品的倾向性,我们进行了有效的各种客户营销活动。综上所述,我们的 CLV 模型及其衍生的倾向性模型具有重要的预测能力,使客户关系的维护更加高效。
Apr, 2023
选择广告行为作为消费者状态的函数的灵活性对于现代营销活动至关重要。我们研究了识别最优顺序个性化干预以最大化新产品的采用概率的问题,并通过转化漏斗模型捕捉了消费者行为,以及它们的状态和企业的顺序干预之间的关系。我们提出了一种新颖的基于归因的决策算法,名为模型无关的近似贝叶斯学习,它通过与消费者互动来维护每个状态特定干预的近似信念,并证明了我们算法的渐进最优性和收敛速度。我们展示了在校准到真实世界的电子邮件营销数据集的大规模模拟中,我们的算法显著优于传统方法。
Jan, 2024
在线随机实验和 A/B 测试中,参与者包含率的准确预测是至关重要的,本文提出了一种新颖、直接且可扩展的贝叶斯非参数方法,用于预测在线 A/B 测试中个体接受干预的比率,并展示了其在实验和模拟数据上相对于现有方法的卓越性能。
Feb, 2024