AgentLTV：面向自动化终身价值预测的代理驱动统一搜索与演化框架
机器学习
2026-02-26 v1 多智能体系统
摘要
终身价值（LTV）预测是广告、推荐系统和电子商�中的关键环节。实际情况下，LTV 数据模式在不同决策场景中各异，实践者往往构建复杂的场景特定管道，并反复迭代特征处理、目标设计和调参。此过程成本高昂且难以迁移。我们提出 AgentLTV，一个代理驱动的统一搜索与演化框架，用于自动化 LTV 模型构建。AgentLTV 将每个候选解决方案视为{可执行管道程序}。由 LLM 驱动的代理生成代码、运行并修复管道，分析执行反馈。两个决策代理协调进行两阶段搜索。蒙特卡洛树搜索（MCTS）阶段在固定预算下探索广泛的建模选择，依据多项式上置信界（Polynomial Upper Confidence bounds for Trees）准则和帕累托多指标价值函数进行引导。进化算法（EA）阶段通过岛屿式演化对最佳 MCTS 程序进行细化，采用交叉、变异和迁移。实验在大型专有数据集和公开基准上表明，AgentLTV 在排名和误差指标上均能一致发现强模型。线上桶级分析进一步表明，排序一致性和价值校准方面有所提升，尤其是针对高价值和负 LTV 段落。我们总结实践者的要点：使用 MCTS 实现对新数据模式的快速适应，使用 EA 实现稳定细化，并通过桶级排序和校准诊断验证部署就绪性。所提出的 AgentLTV 已成功部署上线。
引用
@article{arxiv.2602.21634,
title = {AgentLTV: An Agent-Based Unified Search-and-Evolution Framework for Automated Lifetime Value Prediction},
author = {Chaowei Wu and Huazhu Chen and Congde Yuan and Qirui Yang and Guoqing Song and Yue Gao and Li Luo and Frank Youhua Chen and Mengzhuo Guo},
journal= {arXiv preprint arXiv:2602.21634},
year = {2026}
}
备注
12 pages, 4 figures, submitted to KDD 2026: 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, ADS Track