論文の概要: Billion-user Customer Lifetime Value Prediction: An Industrial-scale
Solution from Kuaishou
- arxiv url: http://arxiv.org/abs/2208.13358v1
- Date: Mon, 29 Aug 2022 04:05:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:23:20.018745
- Title: Billion-user Customer Lifetime Value Prediction: An Industrial-scale
Solution from Kuaishou
- Title(参考訳): 10億人の顧客生涯価値予測 - kuaishouによる産業規模のソリューション
- Authors: Kunpeng Li, Guangcui Shao, Naijun Yang, Xiao Fang, Yang Song
- Abstract要約: 顧客ライフタイムバリュー(英:Customer Life Time Value、LTV)は、単一のユーザがビジネスにもたらすことができる総収入である。
LTVのモデリングは、複雑で変更可能なデータ分散のため、難しい問題である。
我々は、異なる時間帯のLTV間の順序依存をモデル化する秩序依存モノトニックネットワーク(ODMN)を導入する。
- 参考スコア(独自算出の注目度): 19.31651596803956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Customer Life Time Value (LTV) is the expected total revenue that a single
user can bring to a business. It is widely used in a variety of business
scenarios to make operational decisions when acquiring new customers. Modeling
LTV is a challenging problem, due to its complex and mutable data distribution.
Existing approaches either directly learn from posterior feature distributions
or leverage statistical models that make strong assumption on prior
distributions, both of which fail to capture those mutable distributions. In
this paper, we propose a complete set of industrial-level LTV modeling
solutions. Specifically, we introduce an Order Dependency Monotonic Network
(ODMN) that models the ordered dependencies between LTVs of different time
spans, which greatly improves model performance. We further introduce a Multi
Distribution Multi Experts (MDME) module based on the Divide-and-Conquer idea,
which transforms the severely imbalanced distribution modeling problem into a
series of relatively balanced sub-distribution modeling problems hence greatly
reduces the modeling complexity. In addition, a novel evaluation metric Mutual
Gini is introduced to better measure the distribution difference between the
estimated value and the ground-truth label based on the Lorenz Curve. The ODMN
framework has been successfully deployed in many business scenarios of
Kuaishou, and achieved great performance. Extensive experiments on real-world
industrial data demonstrate the superiority of the proposed methods compared to
state-of-the-art baselines including ZILN and Two-Stage XGBoost models.
- Abstract(参考訳): customer life time value (ltv) は、1人のユーザーがビジネスに持ち込むことのできる総収入である。
さまざまなビジネスシナリオにおいて、新規顧客獲得時の運用上の決定に広く使用されている。
LTVのモデリングは、複雑で変更可能なデータ分散のため、難しい問題である。
既存のアプローチでは、後方特徴分布から直接学習するか、以前の分布を強く仮定した統計モデルを活用するかのどちらかで、どちらも変更可能な分布を捉えることができない。
本稿では,産業レベルのLTVモデリングソリューションの完全なセットを提案する。
具体的には、異なる時間帯のLTV間の順序依存をモデル化し、モデル性能を大幅に改善する秩序依存モノトニックネットワーク(ODMN)を提案する。
さらに,重度不均衡な分散モデリング問題を,相対的にバランスの取れた部分分散モデリング問題に変換し,モデリングの複雑さを大幅に低減する,分割・解法に基づくマルチ分散マルチエキスパート(mdme)モジュールを導入する。
さらに,ロレンツ曲線に基づいて,推定値と接地トラスラベルとの分布差をよりよく測定するために,新しい評価基準であるMutual Giniを導入する。
ODMNフレームワークはKuaishouの多くのビジネスシナリオでうまくデプロイされ、優れたパフォーマンスを実現しています。
ZILNやTwo-Stage XGBoostモデルを含む最先端のベースラインと比較して,実世界の産業データに対する広範な実験により提案手法の優位性が示された。
関連論文リスト
- UniMatch: A Unified User-Item Matching Framework for the Multi-purpose
Merchant Marketing [27.459774494479227]
1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
論文 参考訳(メタデータ) (2023-07-19T13:49:35Z) - Contrastive Multi-view Framework for Customer Lifetime Value Prediction [48.24479287526052]
既存のLTV予測手法の多くは、消費サンプルに基づいてシングルビューのLTV予測器を直接訓練する。
様々なバックボーンモデルと互換性のあるプラグ・アンド・プレイソリューションであるLTV予測のための対照的なマルチビューフレームワークを提案する。
実世界のLTV予測データセットについて広範な実験を行い,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-06-26T03:23:53Z) - Optimal Transport Model Distributional Robustness [29.92917495847026]
これまでの研究は主に、データ空間における分散ロバスト性を活用することに焦点を当ててきた。
我々は最適な頑健な中心モデル分布を学習できる理論を開発する。
上記の設定でフレームワークの有用性を示す実験を行う。
論文 参考訳(メタデータ) (2023-06-07T06:15:12Z) - Non-Invasive Fairness in Learning through the Lens of Data Drift [88.37640805363317]
データや学習アルゴリズムを変更することなく、機械学習モデルの公平性を向上する方法を示す。
異なる集団間の傾向のばらつきと、学習モデルと少数民族間の連続的な傾向は、データドリフトと類似している。
このドリフトを解決するための2つの戦略(モデル分割とリウィーディング)を探索し、基礎となるデータに対するモデル全体の適合性を改善することを目的としている。
論文 参考訳(メタデータ) (2023-03-30T17:30:42Z) - Deep incremental learning models for financial temporal tabular datasets
with distribution shifts [0.9790236766474201]
このフレームワークは、単純な基本的なビルディングブロック(決定木)を使用して、必要な複雑さの自己相似モデルを構築する。
我々は,NumeraiデータセットでトレーニングしたXGBoostモデルを用いて提案手法を実証し,異なるモデルスナップショット上での2層のXGBoostモデルの深部アンサンブルが高品質な予測を提供することを示す。
論文 参考訳(メタデータ) (2023-03-14T14:10:37Z) - AlpaServe: Statistical Multiplexing with Model Parallelism for Deep
Learning Serving [53.01646445659089]
モデル並列性は、複数のモデルを提供する場合、複数のデバイスの統計多重化に利用できることを示す。
本稿では,大規模ディープラーニングモデルのコレクションを配置・並列化するための効率的な戦略を決定する新しいサービスシステムAlpaServeを提案する。
論文 参考訳(メタデータ) (2023-02-22T21:41:34Z) - On the Limitations of Multimodal VAEs [9.449650062296824]
マルチモーダル変分オートエンコーダ(VAE)は、弱い教師付きデータに対する効率的な生成モデルとして期待されている。
弱い監督の利点にもかかわらず、単調なVAEと比較すると、遺伝子品質の差が見られる。
論文 参考訳(メタデータ) (2021-10-08T13:28:28Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。
最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。
第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。
3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文 参考訳(メタデータ) (2020-01-15T18:32:06Z)
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。