論文の概要: Mobile Gamer Lifetime Value Prediction via Objective Decomposition and Reconstruction

• arxiv url: http://arxiv.org/abs/2510.08281v1
• Date: Thu, 09 Oct 2025 14:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.135332
• Title: Mobile Gamer Lifetime Value Prediction via Objective Decomposition and Reconstruction
• Title（参考訳）: 目的分解と再構成によるモバイルゲーマーのライフタイム価値予測
• Authors: Tianwei Li, Yu Zhao, Yunze Li, Sheng Li,
• Abstract要約: 本稿では,客観的分解・再構成フレームワークを用いて,分散問題に対処する新しいLTV予測手法を提案する。 モバイルゲーマーのアプリ内購入特性に基づいて,まず特定の価格での取引数を予測し,その中間予測から支払金額を算出した。 提案手法は,実世界の産業データセットを用いて評価され,オンラインA/BテストのためのTapTap RTB広告システムに,最先端のZILNモデルとともに展開された。
• 参考スコア（独自算出の注目度）: 9.270686163643672
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: For Internet platforms operating real-time bidding (RTB) advertising service, a comprehensive understanding of user lifetime value (LTV) plays a pivotal role in optimizing advertisement allocation efficiency and maximizing the return on investment (ROI) for advertisement sponsors, thereby facilitating growth of commercialization revenue for the platform. However, the inherent complexity of user LTV distributions induces significant challenges in accurate LTV prediction. Existing state-of-the-art works, which primarily focus on directly learning the LTV distributions through well-designed loss functions, achieve limited success due to their vulnerability to outliers. In this paper, we proposed a novel LTV prediction method to address distribution challenges through an objective decomposition and reconstruction framework. Briefly speaking, based on the in-app purchase characteristics of mobile gamers, our model was designed to first predict the number of transactions at specific prices and then calculate the total payment amount from these intermediate predictions. Our proposed model was evaluated through experiments on real-world industrial dataset, and deployed on the TapTap RTB advertising system for online A/B testing along with the state-of-the-art ZILN model.
• Abstract（参考訳）: リアルタイム入札(RTB)広告サービスを運用するインターネットプラットフォームにおいて、広告アロケーション効率を最適化し、広告スポンサーに対する投資収益(ROI)の最大化において、ユーザライフタイムバリュー(LTV)の包括的理解が重要な役割を担っている。 しかし, ユーザのLTV分布の複雑さは, 正確なLTV予測において重大な課題を生じさせる。 既存の最先端の研究は、よく設計された損失関数を通じてLTV分布を直接学習することに重点を置いているが、その脆弱性が外れやすいため、成功は限られている。 本稿では,客観的分解・再構成フレームワークを用いて,分散問題に対処する新しいLTV予測手法を提案する。 簡単に言えば、モバイルゲーマーのアプリ内購入特性に基づいて、まず特定の価格での取引数を予測し、これらの中間予測から支払金額の総和を計算するように設計された。 提案手法は,実世界の産業データセットを用いて評価され,オンラインA/BテストのためのTapTap RTB広告システムに,最先端のZILNモデルとともに展開された。

関連論文リスト

• SHORE: A Long-term User Lifetime Value Prediction Model in Digital Games [0.7256915467062311]
  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。
  論文  参考訳（メタデータ） (2025-06-12T08:42:11Z)
• 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)
• ADSNet: Cross-Domain LTV Prediction with an Adaptive Siamese Network in Advertising [28.894933598821527]
  広告プラットフォームは、広告主の真のパフォーマンス指標との整合性を高めるために、ライフタイムバリュー(LTV)を推定するために進化してきた。 実世界のLTVデータのばらつきは、LTV予測モデルに重大な課題をもたらす。 我々は,外部データを利用して購入サンプルのサイズを拡大し,LTV予測モデルを強化することを提案する。
  論文  参考訳（メタデータ） (2024-06-15T06:04:46Z)
• A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
  本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。 当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
  論文  参考訳（メタデータ） (2024-02-23T10:21:07Z)
• 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)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• Arbitrary Distribution Modeling with Censorship in Real-Time Bidding Advertising [2.562910030418378]
  インベントリプライシングの目的は、オンライン広告の機会に適切な価格を入札することであり、これはデマンド・サイド・プラットフォーム(DSP)がリアルタイム入札(RTB)で競売に勝つために不可欠である。 以前の作品の多くは、勝利価格の分布形式を強く仮定し、その正確さを減らし、一般化する能力を弱めた。 我々は,新たな損失関数であるNLL(Neighborhood Likelihood Loss)を提案し,検閲下での勝利価格分布を予測するためのフレームワークであるArbitrary Distribution Modeling(ADM)と協調する。
  論文  参考訳（メタデータ） (2021-10-26T11:40:00Z)

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。