从在线行为检测用户退出:一种持续时间依赖的潜状态模型
机器学习
2022-08-09 v1 信息检索
摘要
为了引导电商用户完成购买,营销人员依赖于对用户未购买即退出的时间预测。此前,此类预测基于隐马尔可夫模型(HMMs),因其能建模具有不同用户意图的潜在购物阶段。本工作中,我们开发了持续时间依赖的隐马尔可夫模型。与传统HMMs不同,它显式建模潜状态的持续时间,从而使状态变得“黏滞”。所提模型在检测用户退出方面优于先前的HMMs:在100个未购买退出用户中,它额外正确识别了18个。这有助于营销人员更好地管理电商客户的在线行为。我们模型性能优越的原因在于持续时间依赖性,它使模型能够恢复以扭曲时间感为特征的潜状态。我们最终基于“心流”概念对此给出了理论解释。
引用
@article{arxiv.2208.03937,
title = {Detecting User Exits from Online Behavior: A Duration-Dependent Latent State Model},
author = {Tobias Hatt and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2208.03937},
year = {2022}
}