論文の概要: Out of the Box Thinking: Improving Customer Lifetime Value Modelling via Expert Routing and Game Whale Detection

• arxiv url: http://arxiv.org/abs/2308.12729v1
• Date: Thu, 24 Aug 2023 12:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 14:18:52.034512
• Title: Out of the Box Thinking: Improving Customer Lifetime Value Modelling via Expert Routing and Game Whale Detection
• Title（参考訳）: 箱から考える:エキスパートルーティングとゲームクジラ検出による顧客ライフタイムバリューモデリングの改善
• Authors: Shijie Zhang, Xin Yan, Xuejiao Yang, Binfeng Jia, Shuangyang Wang
• Abstract要約: モバイルゲームでは、マイクロトランザクションの展開はシンプルだが効果的なマネタイズ戦略である。 このようなクジラの存在は、既存のLTV予測モデルの実用性を阻害する可能性がある。 LTV予測とゲームクジラ検出を統一的に行うための新しいマルチタスクフレームワークExpLTVを提案する。
• 参考スコア（独自算出の注目度）: 9.337511357853845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Customer lifetime value (LTV) prediction is essential for mobile game publishers trying to optimize the advertising investment for each user acquisition based on the estimated worth. In mobile games, deploying microtransactions is a simple yet effective monetization strategy, which attracts a tiny group of game whales who splurge on in-game purchases. The presence of such game whales may impede the practicality of existing LTV prediction models, since game whales' purchase behaviours always exhibit varied distribution from general users. Consequently, identifying game whales can open up new opportunities to improve the accuracy of LTV prediction models. However, little attention has been paid to applying game whale detection in LTV prediction, and existing works are mainly specialized for the long-term LTV prediction with the assumption that the high-quality user features are available, which is not applicable in the UA stage. In this paper, we propose ExpLTV, a novel multi-task framework to perform LTV prediction and game whale detection in a unified way. In ExpLTV, we first innovatively design a deep neural network-based game whale detector that can not only infer the intrinsic order in accordance with monetary value, but also precisely identify high spenders (i.e., game whales) and low spenders. Then, by treating the game whale detector as a gating network to decide the different mixture patterns of LTV experts assembling, we can thoroughly leverage the shared information and scenario-specific information (i.e., game whales modelling and low spenders modelling). Finally, instead of separately designing a purchase rate estimator for two tasks, we design a shared estimator that can preserve the inner task relationships. The superiority of ExpLTV is further validated via extensive experiments on three industrial datasets.
• Abstract（参考訳）: ユーザ生涯価値(LTV)予測は、推定値に基づいてユーザ獲得毎の広告投資を最適化しようとするモバイルゲームパブリッシャーにとって不可欠である。 モバイルゲームでは、マイクロトランザクションの展開はシンプルだが効果的なマネタイズ戦略であり、ゲーム内購入で飛び散るゲームクジラの小さなグループを惹きつける。 ゲームクジラの購入行動は常に一般ユーザーからの様々な分布を示すため、そのようなゲームクジラの存在は既存のLTV予測モデルの実用性を阻害する可能性がある。 その結果、クジラの識別は、LTV予測モデルの精度を向上させる新たな機会を開くことができる。 しかし,LTV予測にゲームクジラ検出を適用することにはほとんど注意が払われておらず,既存の研究は,UA段階では適用できない高品質なユーザ特徴が利用できると仮定して,長期LTV予測に特化している。 本稿では,LTV予測とゲームクジラ検出を統一的に行うためのマルチタスクフレームワークであるExpLTVを提案する。 expltvでは,金融価値に応じて本質的な順序を推測できるだけでなく,高出費者(ゲームクジラなど)や低出費者を正確に識別できる深層ニューラルネットワークを用いたゲームクジラ検出器を初めて設計した。 そして、ゲームクジラ検出器をゲーティングネットワークとして扱い、ltv専門家の組み立ての異なる混合パターンを決定することにより、共有情報とシナリオ固有の情報(すなわち、ゲームクジラのモデリングと低消費者モデリング)を徹底的に活用することができる。 最後に,2つのタスクに対する購入率推定器を個別に設計する代わりに,内部タスク関係を保存可能な共有推定器を設計する。 ExpLTVの優位性は、3つの産業データセットに関する広範な実験を通じてさらに検証されている。

関連論文リスト

• Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
  我々は、新しいオンラインアルゴリズム、反復的ナッシュポリシー最適化(INPO)を提案する。 従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。 LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で42.6%、Arena-Hardで37.8%の勝利率を達成した。
  論文  参考訳（メタデータ） (2024-06-30T08:00:34Z)
• 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)
• Predicting Outcomes in Video Games with Long Short Term Memory Networks [0.39723189359605243]
  本研究は,ゲームトーナメントにおける観客エンゲージメントを高めるために,リアルタイムな勝利予測手法を導入することを目的とする。 概念実証として,従来の2人プレイのアーケードゲームSuper Street Fighter II Turboにおけるモデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-02-24T22:36:23Z)
• 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)
• Video Prediction Models as Rewards for Reinforcement Learning [127.53893027811027]
  VIPERは、事前訓練されたビデオ予測モデルを、強化学習のためのアクションフリー報酬信号として活用するアルゴリズムである。 当社の作業は、ラベルなしビデオからのスケーラブルな報酬仕様の出発点だと考えています。
  論文  参考訳（メタデータ） (2023-05-23T17:59:33Z)
• You are caught stealing my winning lottery ticket! Making a lottery ticket claim its ownership [87.13642800792077]
  Lottery ticket hypothesis (LTH) は、特別なスパースサブネットワークを活用するための有望なフレームワークとして出現する。 しかし、LTHの主な資源ボトルネックは、当選チケットのスパースマスクを見つけるのに特別なコストである。 私たちの設定は、深層モデルの知的財産権侵害から保護することに対する最近の関心に新たな次元を与えます。
  論文  参考訳（メタデータ） (2021-10-30T03:38:38Z)
• Predicting Events in MOBA Games: Dataset, Attribution, and Evaluation [37.16502752193698]
  本研究では,MOBAゲーム『Honor of Kings』のゲーム内機能を含む大規模データセットを収集,リリースする。 次に,2つのグラデーションに基づくアトリビューション手法を用いて,入力特徴に対する予測をアトリビュートすることにより,4種類の重要事象を解釈可能な方法で予測することを提案する。
  論文  参考訳（メタデータ） (2020-12-17T07:28:35Z)
• DeepGamble: Towards unlocking real-time player intelligence using multi-layer instance segmentation and attribute detection [0.8749675983608171]
  カジノでは、熟練していないプレイヤーは熟練したプレイヤーの4倍の収益を得ることができた。 本稿では,Mask R-CNNモデルの拡張に基づくビデオ認識システムについて述べる。 当社のシステムは、カードやプレイヤーのベットをリアルタイムで検出してブラックジャックのゲームをデジタル化します。
  論文  参考訳（メタデータ） (2020-12-14T23:46:26Z)
• Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
  本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。 実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
  論文  参考訳（メタデータ） (2020-08-14T12:00:58Z)

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。