媒体流中用户会话时长预测的层次建模与收缩
机器学习
2018-06-26 v2 机器学习
摘要
用户满意度与参与度在在线流媒体服务中的一个重要指标是用户会话时长,即用户连续不中断地在服务上花费的时间量。能够预测该值直接有益于音乐和视频流媒体服务中的推荐与广告节奏上下文。近期研究表明,由于许多外部因素可导致用户结束会话以及缺乏预测协变量,预测所花费的确切时间高度非平凡。其他大多数关于基于时长的用户参与度的文献聚焦于网站的停留时间,用于搜索与展示广告,主要用于点击后满意度预测或广告排序。本工作中,我们提出一种受层次贝叶斯建模启发的新型框架,在登录时刻预测用户将在流媒体服务中花费的时间量。用户在平面上花费的时间取决于通过层次收缩学习的用户特定潜变量。我们的框架具有理论保证,并自然地融入对协变量的灵活参数/非参数模型,包括对离群值稳健的模型。我们发现该提案在真实世界公开与私有数据集上的效率与预测性能优于 state-of-the-art 估计量。
引用
@article{arxiv.1803.01440,
title = {Hierarchical Modeling and Shrinkage for User Session Length Prediction in Media Streaming},
author = {Antoine Dedieu and Rahul Mazumder and Zhen Zhu and Hossein Vahabi},
journal= {arXiv preprint arXiv:1803.01440},
year = {2018}
}
备注
20 pages