一种基于元学习的堆叠回归方法用于客户生命周期价值预测
机器学习
2024-01-04 v1 人工智能
摘要
全球企业都热衷于瞄准潜在的高价值客户以拓展收入，而这只能通过对客户更深入的了解来实现。客户生命周期价值（CLV）是客户在预期时间段内与企业进行交易/购买的总货币价值，被用作估计未来客户互动的手段。CLV在银行、保险、在线娱乐、游戏和电子商务等多个不同业务领域均有应用。现有的基于分布和基于基础（近度、频率与货币）的模型在处理种类繁多的输入特征方面存在局限。此外，更先进的深度学习方案在某些应用领域可能过于冗余，并带来不合需的复杂性。因此，我们提出一个既有效、全面又简单且可解释的系统。为此，我们开发了一种基于元学习（meta-learning）的堆叠回归模型，该模型结合了装袋（bagging）与提升（boosting）模型的预测结果，而这两者各自均表现良好。已在公开可用的在线零售数据集上进行了实证测试，以评估各类模型并展示所提方法的有效性。
引用
@article{arxiv.2308.08502,
title = {A Meta-learning based Stacked Regression Approach for Customer Lifetime Value Prediction},
author = {Karan Gadgil and Sukhpal Singh Gill and Ahmed M. Abdelmoniem},
journal= {arXiv preprint arXiv:2308.08502},
year = {2024}
}
备注
11 pages, 7 figures