高效特征交互Transformer：提升游戏中用户消费倾向预测
机器学习
2024-09-26 v1
摘要
Dream11 是一个允许用户为真实体育赛事创建自己虚拟球队的 fantasy sports 平台。我们主办多种体育项目和赛事，服务于 2 亿以上用户。在该 RMG（真人游戏）场景中，用户支付报名费参与我们提供的各种比赛产品。在本工作中，我们讨论了预测用户在单场游戏中消费倾向的问题，以便用于各种下游应用。例如，根据用户的消费倾向轻微激励用户进行 upselling，或根据用户的消费倾向个性化产品列表。我们旨在基于过去的交易数据来建模每个用户的消费倾向。本文对比评估了在结构化数据上表现良好的基于树模型和深度学习模型，并提出了一种专为捕捉输入特征之间丰富交互作用而设计的新型架构。我们展示了我们提出的架构在预测用户在单场游戏中消费倾向方面优于现有模型。我们的新型 transformer 模型超越了最先进的 FT-Transformer，MAE 提升 2.5%，MSE 提升 21.8%。
引用
@article{arxiv.2409.17077,
title = {Efficient Feature Interactions with Transformers: Improving User Spending Propensity Predictions in Gaming},
author = {Ved Prakash and Kartavya Kothari},
journal= {arXiv preprint arXiv:2409.17077},
year = {2024}
}
备注
6 pages, 3 figures