消费不确定性下新下载手游支出的协同增强预测

随着手游的激增，准确预测用户在新下载游戏中的支出对于实现收入最大化至关重要。然而，用户行为固有的不可预测性给这一工作带来了重大挑战。为了解决这一问题，我们提出了一个稳健的模型训练与评估框架，旨在标准化支出数据以减轻标签方差和极端值，确保建模过程的稳定性。在该框架内，我们引入了一个协同增强模型，旨在不依赖用户 ID 的情况下预测用户游戏支出，从而确保用户隐私并实现无缝的在线训练。我们的模型采用了一种独特的方法，分别表示用户偏好和游戏特征，然后将它们合并作为支出预测模块的输入。通过严格的实验，我们的方法相比生产模型表现出显著改进，在离线数据上实现了 \textbf{17.11}\% 的提升，在在线 A/B 测试中实现了令人瞩目的 \textbf{50.65}\% 的提升。总之，我们的贡献强调了稳定模型训练框架的重要性，以及协同增强模型在预测手游用户消费行为方面的有效性。