面向抖音 LTV 预测的梯形时间融合框架 (TTF)
机器学习
2025-11-25 v1
摘要
在用户增长场景中，互联网公司会在付费获取渠道上投入大量资金以获取新用户。但可持续增长取决于获取用户的终身价值 (LTV) 超过客户获取成本 (CAC)。为了最大化 LTV/CAC 比例，预测渠道级 LTV 的早期阶段变得至关重要，以便进一步优化预算分配。LTV 预测问题与传统时间序列预测问题截然不同，主要面临三个挑战：首先，它是一种非对齐的多时间序列预测问题，即每个渠道拥有不同激活日期的若干 LTV 序列；其次，为了在早期阶段进行预测，面临不平衡的短输入长输出 (SILO) 挑战；此外，与常用时间序列数据集相比，真实的 LTV 序列波动幅度大且非平稳，波动更频繁、方差更高。为解决上述问题，本文提出一种新框架称为梯形时间融合 (Trapezoidal Temporal Fusion, TTF)。我们引入梯形多时间序列模块以处理数据非对齐和 SILO 挑战，并采用一种称为 MT-FusionNet 的多塔结构输出精确预测。该框架已部署至抖音的线上系统。相较于先前部署的在线模型，MAPEp 降低了 4.3%，MAPEa 降低了 3.2%，其中 MAPEp 表示 LTV 曲线的点-wise MAPE，MAPEa 表示聚合 LTV 的 MAPE。
引用
@article{arxiv.2511.17639,
title = {TTF: A Trapezoidal Temporal Fusion Framework for LTV Forecasting in Douyin},
author = {Yibing Wan and Zhengxiong Guan and Chaoli Zhang and Xiaoyang Li and Lai Xu and Beibei Jia and Zhenzhe Zheng and Fan Wu},
journal= {arXiv preprint arXiv:2511.17639},
year = {2025}
}
备注
Accepted by AAAI IAAI Track