Fugu-MT 論文翻訳(概要): Predicting Customer Goals in Financial Institution Services: A Data-Driven LSTM Approach

論文の概要: Predicting Customer Goals in Financial Institution Services: A Data-Driven LSTM Approach

arxiv url: http://arxiv.org/abs/2406.19399v1
Date: Wed, 22 May 2024 15:36:03 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 22:48:25.121578
Title: Predicting Customer Goals in Financial Institution Services: A Data-Driven LSTM Approach
Title（参考訳）: 金融機関サービスにおける顧客目標の予測:データ駆動型LSTMアプローチ
Authors: Andrew Estornell, Stylianos Loukas Vasileiou, William Yeoh, Daniel Borrajo, Rui Silva,
Abstract要約: 顧客目標と今後の行動を予測するための2つのモデルを提案する。その結果,顧客の目標や行動を予測する上で,これらのモデルの有効性が示された。
参考スコア（独自算出の注目度）: 8.232359782429043
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In today's competitive financial landscape, understanding and anticipating customer goals is crucial for institutions to deliver a personalized and optimized user experience. This has given rise to the problem of accurately predicting customer goals and actions. Focusing on that problem, we use historical customer traces generated by a realistic simulator and present two simple models for predicting customer goals and future actions -- an LSTM model and an LSTM model enhanced with state-space graph embeddings. Our results demonstrate the effectiveness of these models when it comes to predicting customer goals and actions.
Abstract（参考訳）: 今日の競争力のある財務状況では、組織がパーソナライズされ、最適化されたユーザーエクスペリエンスを提供するためには、顧客目標の理解と予測が不可欠です。これは、顧客の目標と行動を正確に予測する問題を引き起こしました。その問題に焦点をあてて、現実的なシミュレータによって生成された履歴的顧客トレースを使用し、顧客目標と将来の行動を予測するための2つのシンプルなモデルを提示します。その結果,顧客の目標や行動を予測する上で,これらのモデルの有効性が示された。

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)
BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文参考訳（メタデータ） (2024-11-09T05:40:32Z)
Bayesian Regression for Predicting Subscription to Bank Term Deposits in Direct Marketing Campaigns [0.0]
本研究の目的は,長期預金契約予測におけるロジットモデルとプロビットモデルの有効性を検討することである。ターゲット変数はデータセット固有の不均衡を考慮してバランスが取れた。ロジットモデルは、この分類問題を扱う際に、プロビットモデルよりも優れていた。
論文参考訳（メタデータ） (2024-10-28T21:04:58Z)
Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
論文参考訳（メタデータ） (2024-10-17T18:22:50Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
Revolutionizing Retail Analytics: Advancing Inventory and Customer Insight with AI [0.0]
本稿では,最先端機械学習技術を活用した革新的なアプローチを提案する。我々は、これらの技術を活用して小売効率と顧客エンゲージメントを向上させる、高度なスマート小売分析システム(SRAS)の構築を目指している。
論文参考訳（メタデータ） (2024-02-24T11:03:01Z)
Federated Learning While Providing Model as a Service: Joint Training and Inference Optimization [30.305956110710266]
フェデレーション学習は、分散クライアント間のモデルのトレーニングを可能にする上で有益である。既存の作業は、クライアントの限られたリソースの下でのモデルトレーニングと推論の共存を見落としている。本稿では,クライアントにおける推論性能を最大化するために,モデルトレーニングと推論の協調最適化に焦点を当てる。
論文参考訳（メタデータ） (2023-12-20T09:27:09Z)
Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
学びアクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。能動学習問題の対称性と独立性を利用した新しい分類法を提案する。私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文参考訳（メタデータ） (2023-09-11T14:16:37Z)
Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文参考訳（メタデータ） (2023-03-28T00:23:23Z)
Customer Churn Prediction Model using Explainable Machine Learning [0.0]
この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
論文参考訳（メタデータ） (2023-03-02T04:45:57Z)
Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。