論文の概要: A Meta-learning based Stacked Regression Approach for Customer Lifetime
Value Prediction
- arxiv url: http://arxiv.org/abs/2308.08502v1
- Date: Mon, 7 Aug 2023 14:22:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-20 16:21:55.125603
- Title: A Meta-learning based Stacked Regression Approach for Customer Lifetime
Value Prediction
- Title(参考訳): メタラーニングに基づく階層回帰手法による顧客寿命価値予測
- Authors: Karan Gadgil, Sukhpal Singh Gill, Ahmed M. Abdelmoniem
- Abstract要約: 顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)とは、取引/購入の合計金額である。
CLVは、銀行、保険、オンラインエンタテインメント、ゲーム、Eコマースなど、いくつかの異なるビジネスドメインでアプリケーションを見つける。
本稿では,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
- 参考スコア(独自算出の注目度): 3.6002910014361857
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Companies across the globe are keen on targeting potential high-value
customers in an attempt to expand revenue and this could be achieved only by
understanding the customers more. Customer Lifetime Value (CLV) is the total
monetary value of transactions/purchases made by a customer with the business
over an intended period of time and is used as means to estimate future
customer interactions. CLV finds application in a number of distinct business
domains such as Banking, Insurance, Online-entertainment, Gaming, and
E-Commerce. The existing distribution-based and basic (recency, frequency &
monetary) based models face a limitation in terms of handling a wide variety of
input features. Moreover, the more advanced Deep learning approaches could be
superfluous and add an undesirable element of complexity in certain application
areas. We, therefore, propose a system which is able to qualify both as
effective, and comprehensive yet simple and interpretable. With that in mind,
we develop a meta-learning-based stacked regression model which combines the
predictions from bagging and boosting models that each is found to perform well
individually. Empirical tests have been carried out on an openly available
Online Retail dataset to evaluate various models and show the efficacy of the
proposed approach.
- Abstract(参考訳): 世界中の企業が収益を上げるために、潜在的に価値の高い顧客をターゲットにすることを熱望しており、これは顧客をもっと理解することによってのみ達成できる。
顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)は、顧客とビジネスが意図した期間にわたって行う取引/購入の総金銭価値であり、将来の顧客インタラクションを見積もる手段として使用される。
clvは銀行、保険、オンラインエンタテイメント、ゲーム、eコマースなど、さまざまなビジネス領域で応用されている。
既存の分散ベースおよび基本(周波数、周波数、通貨)ベースのモデルは、幅広い入力特徴を扱うという観点で制限に直面している。
さらに、より高度なディープラーニングアプローチは過剰であり、特定のアプリケーション領域に望ましくない複雑さ要素を追加する可能性がある。
そこで我々は,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
そのことを念頭に置いて,個別に良好に機能する袋詰めモデルとブースティングモデルからの予測を組み合わせた,メタラーニングに基づくスタック型回帰モデルを開発した。
様々なモデルを評価し,提案手法の有効性を示すために,公開可能なオンライン小売データセット上で実証実験を行った。
関連論文リスト
- An explainable machine learning-based approach for analyzing customers'
online data to identify the importance of product attributes [0.6437284704257459]
本稿では,製品開発におけるデザインの包括的意味を抽出するゲーム理論機械学習(ML)手法を提案する。
提案手法をKaggleの実際のラップトップのデータセットに適用し,結果に基づいて設計上の意味を導出する。
論文 参考訳(メタデータ) (2024-02-03T20:50:48Z) - An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。
FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。
本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文 参考訳(メタデータ) (2024-02-02T07:25:53Z) - Incentive Mechanism Design for Unbiased Federated Learning with
Randomized Client Participation [31.2017942327673]
本稿では,ランダムなクライアント参加を伴うフェデレーション学習(FL)のためのゲーム理論インセンティブ機構を提案する。
我々は,サーバのモデル性能向上とクライアントの利益向上を両立させることを実証した。
論文 参考訳(メタデータ) (2023-04-17T04:05:57Z) - MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。
これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。
モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
論文 参考訳(メタデータ) (2023-04-10T15:44:50Z) - Meta Knowledge Condensation for Federated Learning [65.20774786251683]
既存のフェデレートされた学習パラダイムは通常、より強力なモデルを達成するために、中央の解決器で分散モデルを広範囲に交換する。
これにより、特にデータ分散が不均一である場合、サーバと複数のクライアントの間で深刻な通信負荷が発生します。
既存のパラダイムとは違って,フェデレート学習におけるコミュニケーションコストを大幅に削減する新たな視点を導入する。
論文 参考訳(メタデータ) (2022-09-29T15:07:37Z) - Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product
Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。
まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。
我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文 参考訳(メタデータ) (2022-06-17T15:40:45Z) - Straggler-Resilient Personalized Federated Learning [55.54344312542944]
フェデレーション学習は、プライバシと通信の制限を尊重しながら、クライアントの大規模なネットワークに分散されたサンプルからのトレーニングモデルを可能にする。
これら2つのハードルを同時に処理する理論的なスピードアップを保証する新しいアルゴリズム手法を開発した。
提案手法は,すべてのクライアントのデータを用いてグローバルな共通表現を見つけ,各クライアントに対してパーソナライズされたソリューションにつながるパラメータの集合を学習するために,表現学習理論からのアイデアに依存している。
論文 参考訳(メタデータ) (2022-06-05T01:14:46Z) - RF-LighGBM: A probabilistic ensemble way to predict customer repurchase
behaviour in community e-commerce [8.750970436444083]
中国におけるオンライン決済ユーザーの数は8億4400万人に達している。
コミュニティのeコマースプラットフォームが出現するにつれ、eコマースとソーシャルアプリケーションの統合の傾向はますます強まっている。
本稿では,データ駆動型手法を用いて,地域電子商取引顧客の再購入行動の予測について検討する。
論文 参考訳(メタデータ) (2021-09-02T05:38:16Z) - Supporting Financial Inclusion with Graph Machine Learning and Super-App
Alternative Data [63.942632088208505]
スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。
本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
論文 参考訳(メタデータ) (2021-02-19T15:13:06Z) - Friendship is All we Need: A Multi-graph Embedding Approach for Modeling
Customer Behavior [1.181206257787103]
顧客を非線形に表現するためのマルチグラフ埋め込み手法を提案する。
我々は,友人関係の情報を入手することでのみ,ユーザの将来の行動を合理的に予測することができる。
論文 参考訳(メタデータ) (2020-10-06T14:50:05Z) - TPG-DNN: A Method for User Intent Prediction Based on Total Probability
Formula and GRU Loss with Multi-task Learning [36.38658213969406]
本稿では,新しいユーザ意図予測モデルであるTPG-DNNを提案する。
提案モデルは,タオバオプラットフォーム上でのクーポンの割り当て,広告,レコメンデーションに広く利用されている。
論文 参考訳(メタデータ) (2020-08-05T13:25:53Z)
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。