論文の概要: SHORE: A Long-term User Lifetime Value Prediction Model in Digital Games

• arxiv url: http://arxiv.org/abs/2506.10487v1
• Date: Thu, 12 Jun 2025 08:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.654821
• Title: SHORE: A Long-term User Lifetime Value Prediction Model in Digital Games
• Title（参考訳）: SHORE:デジタルゲームにおける長期ユーザライフタイム価値予測モデル
• Authors: Shuaiqi Sun, Congde Yuan, Haoqiang Yang, Mengzhuo Guo, Guiying Wei, Jiangbo Tian,
• Abstract要約: デジタルゲームにおける収益化戦略には,長期ユーザライフタイム(LTV)予測が不可欠である。 現在のモデルは、しばしば長期的価値を過小評価する。 本稿では,短時間水平予測と順序保存レグレスを統合した新しいLTV予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.7256915467062311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In digital gaming, long-term user lifetime value (LTV) prediction is essential for monetization strategy, yet presents major challenges due to delayed payment behavior, sparse early user data, and the presence of high-value outliers. While existing models typically rely on either short-cycle observations or strong distributional assumptions, such approaches often underestimate long-term value or suffer from poor robustness. To address these issues, we propose SHort-cycle auxiliary with Order-preserving REgression (SHORE), a novel LTV prediction framework that integrates short-horizon predictions (e.g., LTV-15 and LTV-30) as auxiliary tasks to enhance long-cycle targets (e.g., LTV-60). SHORE also introduces a hybrid loss function combining order-preserving multi-class classification and a dynamic Huber loss to mitigate the influence of zero-inflation and outlier payment behavior. Extensive offline and online experiments on real-world datasets demonstrate that SHORE significantly outperforms existing baselines, achieving a 47.91\% relative reduction in prediction error in online deployment. These results highlight SHORE's practical effectiveness and robustness in industrial-scale LTV prediction for digital games.
• Abstract（参考訳）: デジタルゲームでは、収益化戦略には長期ユーザー生涯価値(LTV)の予測が不可欠であるが、遅延支払い行動、初期ユーザーデータ不足、高価値のアウトリーチの存在による大きな課題が提示される。 既存のモデルは概して短いサイクルの観測や強い分布の仮定に頼っているが、そのようなアプローチはしばしば長期的価値を過小評価する。 これらの課題に対処するために, ショートホライズン予測(LTV-15, LTV-30)を補助タスクとして統合し, 長期サイクル目標(LTV-60など)を向上する新しいLTV予測フレームワークであるSHOREを用いたショートサイクル補助(SHort-cyclessisted)を提案する。 SHOREはまた、注文保存型マルチクラス分類と動的ハマー損失を組み合わせたハイブリッド損失関数を導入し、ゼロインフレとアウリエ支払いの影響を軽減する。 実世界のデータセットに対する大規模なオフラインおよびオンライン実験は、SHOREが既存のベースラインを著しく上回り、オンラインデプロイメントにおける予測エラーの相対的な減少を47.91パーセント達成していることを示している。 これらの結果は,デジタルゲームにおける産業規模のLTV予測におけるSHOREの実用的有効性とロバスト性を強調した。

関連論文リスト

• Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
  在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。 深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。 この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-29T11:20:20Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
  長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。 シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
  論文  参考訳（メタデータ） (2023-10-26T16:58:16Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• Forecasting The JSE Top 40 Using Long Short-Term Memory Networks [1.6114012813668934]
  本稿では、長期記憶ネットワークを用いて、JSEトップ40インデックスのリターンデータに基づいて財務時系列予測を行う。 本稿では,長期記憶ネットワークが季節的自己回帰統合移動平均モデルより優れていることを結論する。
  論文  参考訳（メタデータ） (2021-04-20T09:39:38Z)
• 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。

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。