基于PU学习的时间敏感型客户流失预测
机器学习
2018-02-28 v1
摘要
随着全球互联网公司的快速发展，客户流失已成为一个严重的问题。为了更好地帮助公司留住客户，构建客户流失预测模型以提前识别最有可能流失的客户十分重要。本文提出一种基于正类与未标记类（Positive and Unlabeled, PU）学习技术的时间敏感型客户流失预测（Time-sensitive Customer Churn Prediction, TCCP）框架。具体而言，我们通过缩短观测周期来获取近期数据，并在收集到足够正类样本后即开始训练模型，而忽略负类样本的缺失。我们在来自支付宝（Alipay.com）的真实行业数据上进行了充分的实验。实验结果表明，TCCP优于基于规则的模型和传统监督学习模型。
引用
@article{arxiv.1802.09788,
title = {Time-sensitive Customer Churn Prediction based on PU Learning},
author = {Li Wang and Chaochao Chen and Jun Zhou and Xiaolong Li},
journal= {arXiv preprint arXiv:1802.09788},
year = {2018}
}