論文の概要: Contrastive Multi-view Framework for Customer Lifetime Value Prediction

• arxiv url: http://arxiv.org/abs/2306.14400v1
• Date: Mon, 26 Jun 2023 03:23:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 15:05:09.570510
• Title: Contrastive Multi-view Framework for Customer Lifetime Value Prediction
• Title（参考訳）: 顧客生涯価値予測のためのコントラスト多視点フレームワーク
• Authors: Chuhan Wu, Jingjie Li, Qinglin Jia, Hong Zhu, Yuan Fang and Ruiming Tang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.24479287526052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate customer lifetime value (LTV) prediction can help service providers optimize their marketing policies in customer-centric applications. However, the heavy sparsity of consumption events and the interference of data variance and noise obstruct LTV estimation. Many existing LTV prediction methods directly train a single-view LTV predictor on consumption samples, which may yield inaccurate and even biased knowledge extraction. In this paper, we propose a contrastive multi-view framework for LTV prediction, which is a plug-and-play solution compatible with various backbone models. It synthesizes multiple heterogeneous LTV regressors with complementary knowledge to improve model robustness and captures sample relatedness via contrastive learning to mitigate the dependency on data abundance. Concretely, we use a decomposed scheme that converts the LTV prediction problem into a combination of estimating consumption probability and payment amount. To alleviate the impact of noisy data on model learning, we propose a multi-view framework that jointly optimizes multiple types of regressors with diverse characteristics and advantages to encode and fuse comprehensive knowledge. To fully exploit the potential of limited training samples, we propose a hybrid contrastive learning method to help capture the relatedness between samples in both classification and regression tasks. We conduct extensive experiments on a real-world game LTV prediction dataset and the results validate the effectiveness of our method. We have deployed our solution online in Huawei's mobile game center and achieved 32.26% of total payment amount gains.
• Abstract（参考訳）: 正確な顧客生涯価値(LTV)予測は、サービス提供者が顧客中心のアプリケーションでマーケティングポリシーを最適化するのに役立ちます。 しかし、消費イベントの多さとデータのばらつきの干渉、ノイズがltv推定を妨げている。 多くの既存のltv予測手法は、消費サンプル上で直接単視点ltv予測器を訓練し、不正確で偏りのある知識抽出をもたらす。 本稿では,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予測のためのコントラスト型マルチビューフレームワークを提案する。 複数の異種LTV回帰器を相補的な知識で合成し、モデルロバスト性を改善し、対照的な学習を通じてサンプル関連性を捉え、データ量への依存を軽減する。 具体的には,ltv予測問題を,消費確率の推定と支払金額の組み合わせに変換する分解スキームを用いる。 モデル学習におけるノイズの多いデータの影響を軽減するため,多種多様な特徴を持つ回帰器を協調的に最適化し,包括的知識を符号化・融合する多視点フレームワークを提案する。 限られたトレーニングサンプルの可能性を完全に活用するために,分類と回帰のタスクにおいてサンプル間の関連性を捉えるためのハイブリッドコントラスト学習手法を提案する。 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。 私たちはHuaweiのモバイルゲームセンターにソリューションをオンラインで展開し、支払い額の32.26%を達成しました。

関連論文リスト

• Customer Lifetime Value Prediction with Uncertainty Estimation Using Monte Carlo Dropout [3.187236205541292]
  本稿では,モンテカルロ・ドロップアウト(MCD)フレームワークを組み込むことにより,純粋ニューラルネットワークモデルのアーキテクチャを強化する新しいアプローチを提案する。 世界で最もダウンロード数の多いモバイルゲームのデータを用いて,提案手法のベンチマークを行った。 提案手法は,ニューラルネットワークモデル間での性能評価を行うための余分な次元として信頼性指標を提供する。
  論文  参考訳（メタデータ） (2024-11-24T18:14:44Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。 我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。 我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• TiMix: Text-aware Image Mixing for Effective Vision-Language Pre-training [42.142924806184425]
  クロスモーダルなコントラスト学習のための混合データサンプルは、暗黙的にコントラスト損失のレギュレータとして機能する。 TiMixは、既存のメソッドに対してベンチマークした場合、トレーニングデータの量が減り、トレーニング時間が短縮された場合でも、ダウンストリームタスクで同等のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-12-14T12:02:24Z)
• Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
  我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。 ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。 これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
  論文  参考訳（メタデータ） (2023-11-28T16:46:14Z)
• Billion-user Customer Lifetime Value Prediction: An Industrial-scale Solution from Kuaishou [19.31651596803956]
  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。
  論文  参考訳（メタデータ） (2022-08-29T04:05:21Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Multitask Learning and Bandits via Robust Statistics [3.103098467546532]
  意思決定者は、しばしば多くの関連するが不均一な学習問題に直面している。 本稿では,この構造をサンプル効率良く活用する2段階マルチタスク学習推定器を提案する。 我々の推定器は、一般的な失業推定器と比較して、特徴次元$d$のサンプル複雑性境界を改善した。
  論文  参考訳（メタデータ） (2021-12-28T17:37:08Z)
• Cooperative learning for multi-view analysis [2.368995563245609]
  複数機能セットを用いた教師あり学習手法(ビュー)を提案する。 協調学習は、予測の通常の正方形エラー損失と、異なるデータビューからの予測に同意するよう奨励する"集積"ペナルティを組み合わせる。 シミュレーションおよび実データ例における提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2021-12-23T03:13:25Z)
• Rethinking InfoNCE: How Many Negative Samples Do You Need? [54.146208195806636]
  半定量的理論フレームワークを用いて, InfoNCE に最適化された負のサンプル数について検討した。 トレーニングの有効性関数を最大化する$K$値を用いて,最適負サンプリング比を推定する。
  論文  参考訳（メタデータ） (2021-05-27T08:38:29Z)
• Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
  本稿では,複数のモデルを学習する手法を提案する。 分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2020-06-12T12:23:50Z)

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。