ChOracle：一种用于流失预测的统统计框架
机器学习
2019-09-17 v1 社会与信息网络
机器学习
摘要
用户流失是在线服务中的一个重要问题，它威胁着服务的健康与盈利能力。以往大多数流失预测工作将该问题转化为一个二分类任务，其中用户被标记为流失与非流失。近来，一些工作尝试将用户流失预测问题转化为用户回归时间的预测。在这种更贴近真实世界在线服务的方案中，模型在每个时间步预测用户回归时间，而非预测流失标签。然而，此类先前工作缺乏通用性且计算复杂度高。本文中，我们提出 ChOracle，一种通过结合时序点过程（Temporal Point Processes）与循环神经网络（Recurrent Neural Networks）对用户回归服务时间建模来预测用户流失的预言机（oracle）。此外，我们在所提出的循环神经网络中引入潜变量以对用户对系统的潜在忠诚度建模。我们还开发了一种高效的近似变分算法，通过时间反向传播学习所提 RNN 的参数。最后，我们在多种真实世界数据集上展示了 ChOracle 的优越性能。
引用
@article{arxiv.1909.06868,
title = {ChOracle: A Unified Statistical Framework for Churn Prediction},
author = {Ali Khodadadi and Seyed Abbas Hosseini and Ehsan Pajouheshgar and Farnam Mansouri and Hamid R. Rabiee},
journal= {arXiv preprint arXiv:1909.06868},
year = {2019}
}
备注
12 pages