OptDist：学习最优分布以进行客户终身价值预测

客户终身价值预测是商业应用中的关键任务。在现实商业场景中准确预测 CLTV 具有挑战性，因为 CLTV 的分布复杂且可变。首先，存在大量没有任何消费的用户，构成了过于复杂而难以拟合的长尾部分。其次，一小群高价值用户的消费比普通用户高出几个数量级，导致 CLTV 分布范围极宽，难以用单一分布来捕捉。现有的 CLTV 估计方法要么假设先验概率分布并为所有样本拟合一组分布相关参数，要么以启发式方式直接从带有手动预定义桶的后验分布中学习。然而，所有这些方法都无法处理复杂且可变的分布。在本文中，我们提出了一种用于 CLTV 预测的新型最优分布选择模型 OptDist，它利用自适应最优子分布选择机制来提高复杂分布建模的准确性。具体而言，OptDist 在分布学习模块中训练多个候选子分布网络以建模 CLTV 的概率分布。然后，提出分布选择模块为每个样本选择子分布，从而实现自动且自适应的选择。此外，我们设计了一个连接两个模块的对齐机制，有效地指导优化。我们在两个公共数据集和一个私有数据集上进行了广泛实验，以验证 OptDist 优于最先进的基线。此外，OptDist 已部署在一个大规模金融平台上用于客户获取营销活动，在线实验也证明了 OptDist 的有效性。