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

使用卷积神经网络对超过6百万个客户的行为数据进行图像化，以预测客户流失，并使用监督学习和无监督学习方法，通过最大化激活潜在单位来了解客户流失的原因，从而提出预防客户流失的解决方法。

Apr, 2016

利用极限梯度提升（XGBoost）算法，通过处理时间敏感的特征工程，提升了基于多种时间窗口训练和测试的客户数据集合的客户流失预测模型的准确性，同时在WSDM Cup 2018 Churn Challenge比赛中获得了第一名。

Feb, 2018

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。

Apr, 2023

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

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

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

这篇论文介绍了一份面向过渡预测的新的基准数据集，来自比利时的一个电信公司，Orange Belgium。它是第一个公开可用的数据集，可以评估在过渡预测问题上使用提升建模的效率。此外，它独特的特点使其比其他少数公共提升数据集更具挑战性。

Dec, 2023

使用潜在因子块危险模型和张量完成方法，在分析各种干预对客户流失影响时，提出了一种创新方法。模型考虑了客户流失数据的二元特性和时间单调趋势，并通过独特的干预分类方法增强了实施客户保留策略的精确性和实用性。

May, 2024