十亿级用户客户生命周期价值预测：来自快手的工业级解决方案
机器学习
2022-08-30 v1
摘要
客户生命周期价值（LTV）是单个用户能为企业带来的预期总收益。它被广泛用于获取新客户时的各类业务场景中以制定运营决策。由于 LTV 复杂且易变的数据分布，对其建模是一个具有挑战性的问题。现有方法要么直接从后验特征分布中学习，要么利用对先验分布作强假设的统计模型，二者均未能捕捉那些易变分布。在本文中，我们提出了一套完整的工业级 LTV 建模解决方案。具体而言，我们引入了订单依赖单调网络（ODMN），对不同时间跨度的 LTV 之间的有序依赖关系进行建模，大幅提升了模型性能。我们进一步基于分治思想引入了多分布多专家（MDME）模块，将严重不平衡的分布建模问题转化为一系列相对平衡的子分布建模问题，从而大幅降低了建模复杂度。此外，引入了一种新的评估指标互基尼（Mutual Gini），基于洛伦兹曲线更好地度量估计值与真实标签之间的分布差异。ODMN 框架已成功部署于快手的多个业务场景，并取得了优异性能。在真实工业数据上的大量实验证明了所提方法相较于包括 ZILN 和两阶段 XGBoost 模型在内的 SOTA 基线的优越性。
引用
@article{arxiv.2208.13358,
title = {Billion-user Customer Lifetime Value Prediction: An Industrial-scale Solution from Kuaishou},
author = {Kunpeng Li and Guangcui Shao and Naijun Yang and Xiao Fang and Yang Song},
journal= {arXiv preprint arXiv:2208.13358},
year = {2022}
}
备注
Accepted by CIKM 2022, 9 pages