CC-OR-Net：通过结构解耦实现 LTV 预测的统一框架
机器学习
2026-01-27 v2
摘要
客户终身价值 (LTV) 预测是现代营销中的核心问题，其特点是独特的零膨胀和长尾数据分布。这种分布呈现出两个根本性挑战：(1) 大多数低至中等价值用户在数值上压倒了小但至关重要的高价值 "鲸鱼" 用户群体；(2) 即使在低至中等价值用户群体内部，也存在显著的价值异质性。常见方法要么依赖刚性统计假设，要么尝试通过有序分段来解耦排序和回归；然而，这些方法往往通过基于损失的约束来强制实现有序性，无法在全局准确性和高价值精度之间取得平衡。为解决这一问题，我们提出了条件级联有序-残差网络 (CC-OR-Net)，一种新的统一框架，通过结构分解实现更稳健的解耦，其中排序被结构性地保证。CC-OR-Net 集成了三个专用组件：用于稳健排序的"结构有序分解模块"、用于细粒度回归的"组内残差模块"以及用于精准面向高价值用户的"目标性高价值增强模块"。在拥有 300 万用户的真实数据集上评估的 CC-OR-Net 在所有关键业务指标上实现了卓越的平衡，超越了当前最先进的方法，在创建整体且商业上富有价值的 LTV 预测解决方案方面表现突出。
引用
@article{arxiv.2601.10176,
title = {CC-OR-Net: A Unified Framework for LTV Prediction through Structural Decoupling},
author = {Mingyu Zhao and Haoran Bai and Yu Tian and Bing Zhu and Hengliang Luo},
journal= {arXiv preprint arXiv:2601.10176},
year = {2026}
}
备注
Accepted by WWW'26 main