本研究使用社会认同和竞争理论，并通过数据分析和机器学习模型对一家领先的网约车平台进行了500多个大规模团队竞赛的预测研究，揭示了优化团队竞赛设计和执行的新思路和可行性。

Aug, 2020

本文通过提出基于模拟框架的评估指标，研究了推荐系统中普遍存在的偏见与用户行为之间的关系，并通过经验案例研究了流行度偏见如何随时间展现。

Jan, 2021

针对免费游戏的特殊挑战，该论文概述了服务型业务模型，预测模型，用户获取，免费游戏的客户生命周期价值建模和现有解决方案。

Sep, 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

研究了用户对ChatGPT的信任如何受到心理负荷、满意度、性能期望和风险-利益感知的影响，以了解用户参与度的细微差别，并提供改进未来设计和采用策略的洞察。

Oct, 2023

生成人工智能（AI）的崛起引发了对其对失业和市场萧条的潜在影响的担忧。本研究通过考察生成AI对产品市场的影响来解决这一问题。出人意料的是，研究结果表明虽然生成AI降低了平均价格，但显著提高了订单数量和总收入，这与预期相反。该研究进一步提供了理论经济解释，以阐明这一意外现象。通过提供经验证据，本文驳斥了生成AI可能导致市场萧条的观点，反而强调了其促进市场繁荣的潜力。这些发现对从业者、政策制定者和广大AI社区具有重要意义。

Nov, 2023

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

用户行为对推荐算法产生影响，用户可以采取策略来塑造其未来的推荐结果。该研究实验证明用户策略化行为普遍存在，推荐平台需要考虑算法对用户行为的影响。

May, 2024

本研究探讨了感知的人工智能特征如何影响用户在虚拟互动中的动机，尤其是AI化身的性别和揭示状态。通过一项涵盖超过72,500名参与者的游戏实验，发现与人工智能伴侣互动时的努力强度会因其揭示为AI而增加，而男性化的AI外观则会降低努力强度。

Jul, 2024

本研究解决了以往提升建模中单任务单处理导致无法充分利用用户响应数据的问题。提出的多处理多任务提升网络（MTMT）能够在多任务场景中有效估计处理效果，并通过多门混合专家网络编码用户特征和处理，从而揭示基础和增量处理效应的差异。实验结果表明，MTMT在不同设置下均表现出色，已在游戏平台成功应用以改善用户体验。

Aug, 2024