Fugu-MT 論文翻訳(概要): Predicting Customer Churn in World of Warcraft

論文の概要: Predicting Customer Churn in World of Warcraft

arxiv url: http://arxiv.org/abs/2006.15735v2
Date: Wed, 1 Jul 2020 03:14:22 GMT
ステータス: 処理完了
システム内更新日: 2022-11-16 03:08:12.392006
Title: Predicting Customer Churn in World of Warcraft
Title（参考訳）: 軍艦世界における顧客チャーン予測
Authors: Sulman Khan
Abstract要約: 本稿では,2008年1月1日から2008年12月31日までの1年間に焦点をあてたデータセットについて検討する。そこで,Kaplan Meier推定器を用いて,顧客が混乱するまでの期間を予測する。また、ロジスティック回帰、サポートベクターマシン、KNN、ランダムフォレストといった従来の機械学習アルゴリズムを使って、6ヶ月以内に人が震えるかどうかを予測する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: World of Warcraft is a massively multiplayer online video game released on November 23, 2004, by Blizzard Entertainment. In contrast with traditional games only having a single upfront fee to play, WoW also has a monthly subscription to play the game. With customer subscriptions in mind, we can apply the use of churn prediction to not only predict whether a customer will unsubscribe from the service but explore the user's playing behavior to obtain more insight into user playing patterns. The churn problem is somewhat complex due to the nature of not having a one size fits all solution, as different services define churn in a variety of ways. In this paper, we explore a dataset that focuses on one year from January 1, 2008, until December 31, 2008, as it highlights the release of a major content update in the game. Machine learning is used in two aspects of this paper: Survival Analysis and Binary Classification. Firstly, we explore the dataset using the Kaplan Meier estimator to predict the duration until a customer churns, and lastly predict whether a person will churn in six months using traditional machine learning algorithms such as Logistic Regression, Support Vector Machine, KNN Classifier, and Random Forests. From the survival analysis results, WoW customers have a relatively long duration until churn, which solidifies the addictiveness of the game. Lastly, the binary classification performed in the best performing algorithm having a 96% ROC AUC score in predicting whether a customer will churn in six months.
Abstract（参考訳）: World of Warcraft』(ワールド・オブ・ウォークラフト)は、2004年11月23日にブリザード・エンタテインメントから発売されたオンラインゲーム。従来のゲームでは1回の事前料金しかプレイできないのに対し、wowはゲームをプレイするための月額サブスクリプションも持っている。顧客サブスクリプションを念頭に置いて、チャーン予測を用いることで、顧客がサービスから未加入になるかどうかを予測するだけでなく、ユーザのプレイ行動を調べて、ユーザプレイパターンに関する洞察を得ることができます。チャーン問題は、様々なサービスが様々な方法でチャーンを定義するため、1つのサイズを持たないという性質がすべてのソリューションに適合するため、やや複雑である。本稿では,2008年1月1日から2008年12月31日までの1年間に焦点を当てたデータセットについて検討する。機械学習は、生存分析と二項分類の2つの側面で使用される。まず、Kaplan Meier推定器を用いてデータセットを探索し、顧客が混乱するまでの期間を予測し、最後に、ロジスティック回帰、サポートベクトルマシン、KNN分類器、ランダムフォレストといった従来の機械学習アルゴリズムを使用して、6ヶ月以内に人が混乱するかどうかを予測する。生存率分析の結果から、wowの顧客はゲーム中毒性が固まるまで比較的長い期間を過ごしている。最後に、最高のパフォーマンスアルゴリズムで実行されたバイナリ分類は、顧客が6ヶ月以内に混乱するかどうかを予測するために、ROC AUCスコアが96%である。

関連論文リスト

Collaborative-Enhanced Prediction of Spending on Newly Downloaded Mobile Games under Consumption Uncertainty [49.431361908465036]
ラベルのばらつきと極端性を緩和する頑健なモデルトレーニングと評価フレームワークを提案する。本フレームワークでは,ユーザIDに頼ることなく,ユーザのゲーム支出を予測するための協調型モデルを提案する。当社のアプローチは、オフラインデータに対する注目すべき textbf17.11% の強化を実現し、プロダクションモデルよりも顕著に改善されていることを示す。
論文参考訳（メタデータ） (2024-04-12T07:47:02Z)
Personality Understanding of Fictional Characters during Book Reading [81.68515671674301]
この問題に対する最初のラベル付きデータセットPersoNetを提示する。当社の新たなアノテーション戦略では,オリジナル書籍のプロキシとして,オンライン読書アプリからユーザノートを注釈付けします。実験と人間の研究は、データセットの構築が効率的かつ正確であることを示している。
論文参考訳（メタデータ） (2023-05-17T12:19:11Z)
Causal Analysis of Customer Churn Using Deep Learning [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。本稿では,ディープフィードフォワードニューラルネットワークを用いた分類手法を提案する。また,顧客を混乱させる原因を予測するための因果ベイズネットワークを提案する。
論文参考訳（メタデータ） (2023-04-20T18:56:13Z)
Strategic Facility Location with Clients that Minimize Total Waiting Time [52.3893099287099]
本研究では,非協調型施設位置ゲームにおいて,施設やクライアントが戦略的に行動する場所ゲームについて検討する。サブゲーム完全平衡は、このゲームの全ての事例に存在せず、その存在はNPハードで決定できることを証明している。
論文参考訳（メタデータ） (2022-11-25T10:43:57Z)
Combining Sequential and Aggregated Data for Churn Prediction in Casual Freemium Games [0.0]
フリーミアムゲームでは、プレイヤーからの収益はアプリ内購入とプレイヤーが露出する広告から得られる。このシナリオでは、プレーヤーがプレイをやめようとしているときにすぐに検出できることが極めて重要である。本研究では, 逐次データと集約データを組み合わせることで, チャーン予測の最先端性を改善する方法について検討する。
論文参考訳（メタデータ） (2022-09-06T14:49:18Z)
No-Regret Learning in Time-Varying Zero-Sum Games [99.86860277006318]
固定ゼロサムゲームにおける繰り返しプレイからの学習は、ゲーム理論とオンライン学習における古典的な問題である。提案手法は,3つの性能基準の下で,良好な保証を同時に享受できる1つのパラメータフリーアルゴリズムである。本アルゴリズムは,ある特性を満たすブラックボックスベースラーナー群に対するメタアルゴリズムを用いた2層構造に基づく。
論文参考訳（メタデータ） (2022-01-30T06:10:04Z)
Discovering Multi-Agent Auto-Curricula in Two-Player Zero-Sum Games [31.97631243571394]
明示的な人間設計なしに更新ルールの発見を自動化するフレームワークであるLMACを導入する。意外なことに、人間のデザインがなくても、発見されたMARLアルゴリズムは競争力や性能が向上する。 LMAC は,例えば Kuhn Poker のトレーニングやPSRO の成績など,小型ゲームから大規模ゲームへの一般化が可能であることを示す。
論文参考訳（メタデータ） (2021-06-04T22:30:25Z)
On Analyzing Churn Prediction in Mobile Games [0.0]
本稿では,高精度なチャーン予測手法を提案する。論文で示したように、このアプローチは実際のゲームビジネスにおいて96.6%のチャーン予測精度を達成できた。
論文参考訳（メタデータ） (2021-04-12T15:22:42Z)
Model-Free Online Learning in Unknown Sequential Decision Making Problems and Games [114.90723492840499]
大規模な2人プレイのゼロサム情報ゲームでは、反事実後悔最小化(cfr)の現代的な拡張がnash均衡を計算するための実用的な技術である。私たちは、戦略空間がエージェントに知られていないオンライン学習設定を形式化します。エージェントが逆の環境に直面しても、その設定に高い確率で$O(T3/4)$後悔を達成する効率的なアルゴリズムを提供します。
論文参考訳（メタデータ） (2021-03-08T04:03:24Z)
On the Reproducibility of Neural Network Predictions [52.47827424679645]
そこで本研究では, チャーン問題について検討し, 原因因子を同定し, 緩和する2つの簡単な方法を提案する。最初に、標準的な画像分類タスクであっても、チャーンが問題であることを示す。我々は,予測信頼度を高めるために,エントロピー正規化器を提案する。両手法の有効性を実証的に示し, 基礎モデルの精度を向上しながら, チャーン低減効果を示す。
論文参考訳（メタデータ） (2021-02-05T18:51:01Z)
Detecting Video Game Player Burnout with the Use of Sensor Data and Machine Learning [15.838305794790022]
本研究では,センサデータ分析に基づいて,プレイヤーが今後の出会いに勝つかどうかを予測する手法を提案する。センサデータは、リーグ・オブ・レジェンドズ(League of Legends)の22試合の参加者10名から収集された。われわれはTransformerやGated Recurrent Unitといった機械学習モデルを訓練し、将来一定時間後にプレイヤーが遭遇するかどうかを予測する。
論文参考訳（メタデータ） (2020-11-29T21:16:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。