微信小游戏生命周期价值预测

生命周期价值 预测致力于预测用户对特定商品的累计购买贡献，仍然是广告商渴望解决的重要挑战。精确的 LTV 预测系统增强了用户兴趣与精心设计的广告之间的契合度，从而为广告商带来丰厚利润。然而，现实广告场景中通常观察到的数据匮乏问题使该问题复杂化。注册用户的购买率通常低至 0.1%，导致数据集中大多数用户仅进行过几次购买。因此，缺乏足够的监督信号来有效训练 LTV 预测模型。另一个挑战来自高相关任务之间的相互依赖性。估计用户在特定时间间隔内对游戏的贡献是一种常见做法。改变这些间隔的长度对应于不同的预测任务，这些任务高度相关。例如，7 天期间的预测严重依赖于 3 天期间的预测，其中异常情况会对两项任务的准确性产生不利影响。为了全面应对上述挑战，我们引入了一种名为图表示帕累托最优生命周期价值预测 的创新框架。首先采用图表示学习来解决数据稀缺问题。随后，利用帕累托优化来管理预测任务的相互依赖性。