論文の概要: Mini-Game Lifetime Value Prediction in WeChat

• arxiv url: http://arxiv.org/abs/2506.11037v2
• Date: Tue, 17 Jun 2025 09:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 15:22:21.018843
• Title: Mini-Game Lifetime Value Prediction in WeChat
• Title（参考訳）: WeChatにおけるミニゲームライフタイムの予測
• Authors: Aochuan Chen, Yifan Niu, Ziqi Gao, Yujie Sun, Shoujun Liu, Gong Chen, Yang Liu, Jia Li,
• Abstract要約: ライフタイムバリュー(LTV)予測は、特定のアイテムに対するユーザの累積購入コントリビューションを予測するための取り組みである。 登録ユーザーの購入率は0.1%と極めて低く、その結果、大多数のユーザーがわずか数回しか購入できないデータセットが作られる。
• 参考スコア（独自算出の注目度）: 20.046082356748663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The LifeTime Value (LTV) prediction, which endeavors to forecast the cumulative purchase contribution of a user to a particular item, remains a vital challenge that advertisers are keen to resolve. A precise LTV prediction system enhances the alignment of user interests with meticulously designed advertisements, thereby generating substantial profits for advertisers. Nonetheless, this issue is complicated by the paucity of data typically observed in real-world advertising scenarios. The purchase rate among registered users is often as critically low as 0.1%, resulting in a dataset where the majority of users make only several purchases. Consequently, there is insufficient supervisory signal for effectively training the LTV prediction model. An additional challenge emerges from the interdependencies among tasks with high correlation. It is a common practice to estimate a user's contribution to a game over a specified temporal interval. Varying the lengths of these intervals corresponds to distinct predictive tasks, which are highly correlated. For instance, predictions over a 7-day period are heavily reliant on forecasts made over a 3-day period, where exceptional cases can adversely affect the accuracy of both tasks. In order to comprehensively address the aforementioned challenges, we introduce an innovative framework denoted as Graph-Represented Pareto-Optimal LifeTime Value prediction (GRePO-LTV). Graph representation learning is initially employed to address the issue of data scarcity. Subsequently, Pareto-Optimization is utilized to manage the interdependence of prediction tasks.
• Abstract（参考訳）: 特定のアイテムに対するユーザーの累積購入貢献を予測しようとするLifeTime Value(LTV)予測は、広告主が解決しようとする重要な課題である。 正確なLTV予測システムは、ユーザの興味と慎重に設計された広告との整合性を高め、広告主にとって実質的な利益を生み出す。 それでも、この問題は、現実世界の広告シナリオで一般的に見られるデータのあいまいさによって複雑である。 登録ユーザーの購入率は0.1%と極めて低く、その結果、大多数のユーザーがわずか数回しか購入できないデータセットが作られる。 そのため、LTV予測モデルを効果的に訓練するには、監視信号が不十分である。 さらに、高い相関関係を持つタスク間の相互依存から、新たな課題が生まれる。 特定の時間間隔でユーザのゲームへのコントリビューションを見積もるのが一般的である。 これらの区間の長さを変えることは、高い相関関係にある異なる予測タスクに対応する。 例えば、7日間の予測は、3日間の予測に大きく依存しており、例外的なケースは両方のタスクの精度に悪影響を及ぼす可能性がある。 上記の課題を包括的に解決するために,グラフ表現型パレート・最適ライフサイクル価値予測(GRePO-LTV)と呼ばれる革新的なフレームワークを導入する。 グラフ表現学習は、まずデータ不足の問題に対処するために使用される。 その後、予測タスクの相互依存性を管理するためにPareto-Optimizationを利用する。

関連論文リスト

• Explicit Uncertainty Modeling for Video Watch Time Prediction [18.999640886056262]
  ビデオレコメンデーションにおいて、システムのレコメンデーション精度を決定する重要なコンポーネントは、ウォッチタイム予測モジュールである。 この問題の鍵となる課題の1つは、ユーザのウォッチタイム動作である。 本稿では,ユーザの時計時間行動をよりよく活用する逆最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T09:19:19Z)
• New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
  限られた履歴を持つ新規ユーザを対象とした新しい離散イベント予測フレームワークを提案する。 我々は、ユーザイベント履歴を、将来のイベントに対する"処理"として扱い、ユーザカテゴリを、重要な共同創設者として扱います。 本稿では,数値シミュレーションと実世界の2つの応用を用いて,提案フレームワークの性能向上を実証する。
  論文  参考訳（メタデータ） (2024-07-08T05:35:54Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• 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)
• 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)
• Early Churn Prediction from Large Scale User-Product Interaction Time Series [0.0]
  本稿では,歴史的データを用いたユーザチャーン予測に関する徹底的な研究を行う。 我々は,顧客満足度予測モデルを作成し,企業の誘惑傾向の理解と効果的な保留計画の策定を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-09-25T08:44:32Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。