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
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。
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
应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中,提取潜在的时间因素和相似个体群组,成功发现了表现良好的个体和常常从事休闲活动的个体,从而揭示了数据的低维结构。
May, 2019
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。
本文提出了一种联合因子分析和潜在聚类的框架,旨在学习矩阵和张量数据的聚类感知低维表示。该方法利用矩阵和张量分解模型来揭示潜在聚类结构,并通过潜在聚类结构作为先验信息来提高因子分解的性能。
May, 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
使用因子分析导出一组因果深度神经网络,包括神经元组成的因果胶囊和张量变换器,适用于前向和反向因果问题,以及可能的异步并行计算。
Jan, 2023
本文提出了一种基于数据驱动的、无需使用物理交通流模型或大量模拟数据训练机器学习模型的交通状态估计(TSE)解决方案,将 TSE 视为一个时空矩阵完形填充 / 插值问题,并应用时空延迟嵌入技术将原始不完整矩阵转换为四阶 Hankel 结构张量,通过对张量低秩假设,可以用窗口长度的平衡时空展开的截断核范数近似表示张量秩,具有较强的鲁棒性。该模型仅涉及两个超参数:时空窗口长度,可以根据数据稀疏程度进行设置,实验结果表明该模型在某些具有挑战性的场景中具有很好的鲁棒性。
May, 2021
该研究提出了一种名为 “NONFAT” 的方法,它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解,以分析伴随有时间信息的多维数据,并应用于多种实际应用中。
Jul, 2022