WWWApr, 2024

消费不确定性下新下载移动游戏花费的协同增强预测

PDF
TL;DR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。
mobile gaminguser spendingmodel trainingcollaborative-enhanced modelpredicting user behavior
发现论文，激发创造
  • 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

  • 基于移动应用使用的通用用户嵌入

    使用移动应用的用户行为数据作为指标实现用户建模，通过 AutoEncoder-coupled Transformer 网络解决手工特征工程带来的人力成本问题，并展示了该网络在多个下游应用实验中嵌入用户的有效性。

    May, 2020

  • 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

  • RecSys Challenge 2023：从数据准备到预测的简单、高效、健壮和可扩展解决方案

    RecSys Challenge 2023 年由 ShareChat 主办，旨在预测用户在在 ShareChat 和 Moj 应用程序中看到广告印象后是否会在智能手机上安装应用程序。'Team UMONS' 在该挑战中提出了准确的解决方案（最佳得分为 6.622686），采用了一个相对较小的模型，可以在不同的生产配置中轻松实施。我们的解决方案在增加数据集大小时具有良好的可扩展性，并且可以与包含缺失值的数据集一起使用。

    Jan, 2024

  • 突破常规思维：通过专家路由和大型游戏玩家检测提高客户终身价值建模

    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

  • 面向不确定环境的通用网络流量预测自适应框架

    利用时间序列分析为动态分配移动网络流量预测模型的新框架，通过选择性地使用学习行为相对于当前研究具有超过 50％的性能改进，并在无需对单个细胞具有先验知识的情况下超过传统方法；该框架通过无监督聚类识别独特趋势和季节模式，然后在每个聚类中应用监督学习进行流量量预测，使得不受空间和时间变化的惩罚，并且通过分析细胞的实时测量结果，智能选择最适合该细胞的聚类，使聚类分配根据时空波动的动态调整。

    Nov, 2023

  • 在休闲免费游戏中，将顺序数据和聚合数据相结合进行流失预测

    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

  • 基于上下文的在线社交平台用户参与度预测

    在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Snapchat 会话，我们证明了过去行为可以预测主动和被动使用的模式（R2=0.345），而与行为基线模型相比，整合上下文信息可以显著提高预测性能（R2=0.522）。与从应用内行为历史中提取的特征相比，与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外，我们还发现，如果考虑当时的上下文信息，大部分变化都可以用极简的行为历史来解释（R2=0.44）。这些结果表明，上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后，我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致，突显了上下文化用户行为表示对于预测社交平台用户参与的价值。

    Oct, 2023

  • 游戏化学习环境中学生表现建模

    研究了基于游戏的学习在教育游戏 “Jo Wilder and the Capitol Case” 中的应用，使用 K-Nearest Neighbors (KNN)、Multi-Layer Perceptron (MLP) 和 Random Forest 等机器学习模型预测学生表现，通过适当的数据预处理技术提高非深度学习模型的性能，提供优化教育游戏体验的见解，以促进学生成果和技能发展。

    Sep, 2023

  • 个性化模型与协作图的完全去中心化联合学习

    一种考虑了分散式机器学习和数据保护的联邦学习方式，通过构建本地图和局部连接来训练个人的、个性化的非线性模型，实现了低通讯成本和对数据的隐私保护。

    Jan, 2019