論文の概要: TTF: A Trapezoidal Temporal Fusion Framework for LTV Forecasting in Douyin
- arxiv url: http://arxiv.org/abs/2511.17639v1
- Date: Wed, 19 Nov 2025 13:09:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.32053
- Title: TTF: A Trapezoidal Temporal Fusion Framework for LTV Forecasting in Douyin
- Title（参考訳）: TTF:DouyinにおけるLTV放送のためのトラペゾイダル時間融合フレームワーク
- Authors: Yibing Wan, Zhengxiong Guan, Chaoli Zhang, Xiaoyang Li, Lai Xu, Beibei Jia, Zhenzhe Zheng, Fan Wu,
- Abstract要約: 本稿では,これらの課題に対処するために,Trpezoidal Temporal Fusion (TTF) と呼ばれる新しいフレームワークを提案する。
本稿では,データアンアライメントとSILOの課題に対処するために,台座型マルチ時系列モジュールを提案する。
我々はMT-FusionNetと呼ばれるマルチトウワー構造で正確な予測を出力する。
- 参考スコア（独自算出の注目度）: 14.16587905103601
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the user growth scenario, Internet companies invest heavily in paid acquisition channels to acquire new users. But sustainable growth depends on acquired users' generating lifetime value (LTV) exceeding customer acquisition cost (CAC). In order to maximize LTV/CAC ratio, it is crucial to predict channel-level LTV in an early stage for further optimization of budget allocation. The LTV forecasting problem is significantly different from traditional time series forecasting problems, and there are three main challenges. Firstly, it is an unaligned multi-time series forecasting problem that each channel has a number of LTV series of different activation dates. Secondly, to predict in the early stage, it faces the imbalanced short-input long-output (SILO) challenge. Moreover, compared with the commonly used time series datasets, the real LTV series are volatile and non-stationary, with more frequent fluctuations and higher variance. In this work, we propose a novel framework called Trapezoidal Temporal Fusion (TTF) to address the above challenges. We introduce a trapezoidal multi-time series module to deal with data unalignment and SILO challenges, and output accurate predictions with a multi-tower structure called MT-FusionNet. The framework has been deployed to the online system for Douyin. Compared to the previously deployed online model, MAPEp decreased by 4.3%, and MAPEa decreased by 3.2%, where MAPEp denotes the point-wise MAPE of the LTV curve and MAPEa denotes the MAPE of the aggregated LTV.
- Abstract（参考訳）: ユーザー成長のシナリオでは、インターネット企業は新しいユーザーを獲得するために、有償の買収チャネルに多大な投資をしている。
しかし、持続的な成長は、顧客獲得コスト(CAC)を超える、獲得したユーザの生涯価値(LTV)に依存する。
LTV/CAC比を最大化するためには、予算配分のさらなる最適化のために、早期にチャネルレベルのLTVを予測することが重要である。
LTV予測問題は従来の時系列予測問題と大きく異なり、主な課題は3つある。
第一に、各チャンネルが複数の異なるアクティベーション日数のLTVシリーズを持つという、整合性のないマルチタイムシリーズ予測問題である。
第二に、初期段階で予測するには、不均衡な短出力ロングアウトプット(SILO)の課題に直面します。
さらに、一般的に使用される時系列データセットと比較して、実際のLTVシリーズは揮発性であり、非定常であり、より頻繁な変動と高いばらつきがある。
本稿では,これらの課題に対処するために,Trpezoidal Temporal Fusion (TTF) と呼ばれる新しいフレームワークを提案する。
本稿では,データアンアライメントやSILO問題に対処するマルチ時系列モジュールを導入し,MT-FusionNetと呼ばれるマルチトウワー構造を用いて正確な予測を出力する。
このフレームワークはDouyinのオンラインシステムにデプロイされている。
従来のオンラインモデルと比較して、MAPEpは4.3%減少し、MAPEaは3.2%減少し、MAPEpはLTV曲線のポイントワイドMAPE、MAPEaは集約されたLTVのMAPEを表す。
関連論文リスト
- T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。
予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。
我々のモデルは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-08-06T09:31:44Z) - Revitalizing Canonical Pre-Alignment for Irregular Multivariate Time Series Forecasting [17.046106977768215]
IMTS予測のためのCanonical Pre-Alignment(CPA)に基づくコンパクトアーキテクチャであるKAFNetを提案する。
KAFNetは7.2$times$パラメータ削減と8.4$times$トレーニング推論アクセラレーションによって最先端の予測性能を達成する。
論文 参考訳（メタデータ） (2025-08-04T01:07:24Z) - Multi-Modal View Enhanced Large Vision Models for Long-Term Time Series Forecasting [53.332533610841885]
時系列は画像やテキストに変換でき、同じ信号のマルチモーダルビュー(MMV)を提供する。
これらのMMVは相補的なパターンを明らかにし、長期時系列予測(LTSF)のための大型ビジョンモデル(LVM)のような強力な事前訓練された大規模モデルの使用を可能にする。
DMMVは、トレンド・シーズンの分解と新しいバックキャスト・レジデンシャル・アダプティブ・コンダプティブ・コンダプションを活用し、LTSFのためのMMVを統合する新しい分解ベースマルチモーダル・ビュー・フレームワークである。
論文 参考訳（メタデータ） (2025-05-29T20:55:24Z) - Scalable Transformer for High Dimensional Multivariate Time Series Forecasting [10.17270031004674]
本研究では,高次元MSSデータ上でのチャネル依存モデルの最適性能の背景について検討する。
本稿では,高次元時系列予測のためのスケーラブル変換器STHDを提案する。
実験により、STHDは3つの高次元データセット(クリミア・シカゴ、ウィキ・ピープル、トラヒック)をかなり改善した。
論文 参考訳（メタデータ） (2024-08-08T06:17:13Z) - Large Language Models Are Zero-Shot Time Series Forecasters [48.73953666153385]
時系列を数値桁の列として符号化することにより、テキストの次トーケン予測として時系列予測をフレーム化することができる。
GPT-3 や LLaMA-2 のような大規模言語モデル (LLM) は、ダウンストリームタスクでトレーニングされた目的構築された時系列モデルの性能に匹敵する、あるいはそれ以上のレベルにおいて、驚くほどゼロショット・エクスポレート・時系列を生成できる。
論文 参考訳（メタデータ） (2023-10-11T19:01:28Z) - 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) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳（メタデータ） (2023-05-20T05:16:31Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。
CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
論文 参考訳（メタデータ） (2022-07-16T04:05:15Z) - Confident Adaptive Language Modeling [95.45272377648773]
CALMは、入力と生成時間ごとに異なる量の計算を動的に割り当てるフレームワークである。
ハイパフォーマンスを確実に維持しつつ、計算能力、潜在的スピードアップを最大3ドルまで削減する上で、我々のフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2022-07-14T17:00:19Z)
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。