雷达序列：用于非订阅型平台用户流失预测的时间视觉框架
计算机视觉与模式识别
2025-06-24 v1 人工智能
摘要
预测非订阅型平台中用户流失的任务面临独特挑战，因为用户不敏感行为是隐式的，缺乏明确标签且用户行为具有动态特性。现有方法常依赖聚合快照或静态视觉表征，这些做法掩盖了对早期检测至关重要的时序线索。本文提出一种时序感知的计算机视觉框架，将用户行为模式建模为雷达图图像序列，每张雷达图编码日级别的行为特征。通过集成预训练CNN编码器与双向LSTM， our architecture 捕获流失行为中所涉及的空间与时序模式。大规模真实数据上的广泛实验表明，我们的方法在F1分数提升17.7、精确率提升29.4、AUC提升16.1，并获得更好的可解释性。该框架的模块化设计、可解释性工具以及高效部署特性使其适用于动态平台经济中大规模流失建模。
引用
@article{arxiv.2506.17325,
title = {RadarSeq: A Temporal Vision Framework for User Churn Prediction via Radar Chart Sequences},
author = {Sina Najafi and M. Hadi Sepanj and Fahimeh Jafari},
journal= {arXiv preprint arXiv:2506.17325},
year = {2025}
}