用于客户生命周期价值预测的对比多视图框架
信息检索
2023-06-27 v1 机器学习
摘要
准确的客户生命周期价值（LTV）预测可帮助服务提供商在以客户为中心的应用中优化其营销策略。然而，消费事件的严重稀疏性以及数据方差与噪声的干扰阻碍了 LTV 估计。许多现有 LTV 预测方法直接在消费样本上训练单视图 LTV 预测器，可能得出不准确甚至偏倚的知识提取。本文提出一种用于 LTV 预测的对比多视图框架，它是一种兼容多种骨干模型、即插即用的解决方案。它综合多个具有互补知识的异构 LTV 回归器以提升模型鲁棒性，并通过对比学习捕获样本相关性以缓解对数据量的依赖。具体地，我们采用分解方案将 LTV 预测问题转化为消费概率与支付金额的估计组合。为减轻噪声数据对模型学习的影响，我们提出一种多视图框架，联合优化具有不同特性与优势的多种回归器以编码并融合全面知识。为充分挖掘有限训练样本的潜力，我们提出一种混合对比学习方法，在分类与回归任务中均帮助捕获样本间相关性。我们在真实游戏 LTV 预测数据集上进行了大量实验，结果验证了方法的有效性。我们已将方案部署于华为移动游戏中心线上，实现了 32.26% 的总支付金额提升。
关键词
引用
@article{arxiv.2306.14400,
title = {Contrastive Multi-view Framework for Customer Lifetime Value Prediction},
author = {Chuhan Wu and Jingjie Li and Qinglin Jia and Hong Zhu and Yuan Fang and Ruiming Tang},
journal= {arXiv preprint arXiv:2306.14400},
year = {2023}
}