基于应用内行为图的用戶参与度刻画与预测：以Snapchat为例

尽管移动社交应用已在人们日常生活中愈发重要，我们对其促使用户参与这些应用的动因仍知之有限。本文探讨用户的应内活动模式是否有助于推断其未来的应用参与度（例如未来时间窗口内的活跃天数）？以往关于用户应用参与度预测的研究主要关注各类宏观特征（如活动频率的时间序列），而忽略了微观层面上不同应用内动作之间细粒度的相互依赖关系。在此，我们提出将个体用户的应内动作转移模式形式化为随时间演化的行为图，并分析其在揭示未来用户参与度方面的特征。我们的分析表明，行为图能够刻画用户行为模式并揭示未来参与度。我们导出若干高阶图特征以捕捉应内使用模式，并构建可解释的模型用于预测参与度变化趋势与活跃率。为进一步提升预测能力，我们设计了一种端到端、多通道神经模型，以编码时序行为图、活动序列及其他宏观特征。在15万Snapchat新用户上为期28天的参与度预测实验证明了所提模型的有效性。该预测框架已部署于Snapchat以提供真实业务洞察。我们所提框架亦具通用性，可应用于其他社交应用平台。