ترجمه فارسی مقاله Optdist: یادگیری توزیع بهینه برای پیش بینی ارزش طول عمر مشتری

چکیده

Customer Lifetime Value (CLTV) prediction is a critical task in business applications. Accurately predicting CLTV is challenging in real-world business scenarios, as the distribution of CLTV is complex and mutable. Firstly, there is a large number of users without any consumption consisting of a long-tailed part that is too complex to fit. Secondly, the small set of high-value users spent orders of magnitude more than a typical user leading to a wide range of the CLTV distribution which is hard to capture in a single distribution. Existing approaches for CLTV estimation either assume a prior probability distribution and fit a single group of distribution-related parameters for all samples, or directly learn from the posterior distribution with manually predefined buckets in a heuristic manner. However, all these methods fail to handle complex and mutable distributions. In this paper, we propose a novel optimal distribution selection model OptDist for CLTV prediction, which utilizes an adaptive optimal sub-distribution selection mechanism to improve the accuracy of complex distribution modeling. Specifically, OptDist trains several candidate sub-distribution networks in the distribution learning module (DLM) for modeling the probability distribution of CLTV. Then, a distribution selection module (DSM) is proposed to select the sub-distribution for each sample, thus making the selection automatically and adaptively. Besides, we design an alignment mechanism that connects both modules, which effectively guides the optimization. We conduct extensive experiments on both two public and one private dataset to verify that OptDist outperforms state-of-the-art baselines. Furthermore, OptDist has been deployed on a large-scale financial platform for customer acquisition marketing campaigns and the online experiments also demonstrate the effectiveness of OptDist.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی ارزش طول عمر مشتری (CLTV) یک کار مهم در برنامه های تجاری است.پیش بینی دقیق CLTV در سناریوهای تجاری در دنیای واقعی چالش برانگیز است ، زیرا توزیع CLTV پیچیده و قابل تغییر است.در مرحله اول ، تعداد زیادی از کاربران بدون هیچ گونه مصرفی متشکل از یک قسمت بلند و طولانی که برای آن بسیار پیچیده است وجود دارد.ثانیا ، مجموعه کوچکی از کاربران با ارزش بالا سفارشات بزرگی را بیش از یک کاربر معمولی که منجر به طیف گسترده ای از توزیع CLTV می شود ، صرف می کنند که ضبط در یک توزیع واحد دشوار است.رویکردهای موجود برای برآورد CLTV یا توزیع احتمال قبلی را فرض می کنند و یک گروه واحد از پارامترهای مربوط به توزیع را برای همه نمونه ها متناسب می کنند ، یا مستقیماً از توزیع خلفی با سطل های از پیش تعریف شده دستی به روش اکتشافی یاد می گیرند.با این حال ، همه این روش ها قادر به انجام توزیع های پیچیده و تغییر پذیر نیستند.در این مقاله ، ما یک مدل انتخابی بهینه توزیع بهینه را برای پیش بینی CLTV پیشنهاد می کنیم ، که از یک مکانیسم انتخاب زیر توزیع بهینه بهینه سازگار برای بهبود دقت مدل سازی توزیع پیچیده استفاده می کند.به طور خاص ، Optdist چندین شبکه زیر توزیع نامزد را در ماژول یادگیری توزیع (DLM) برای مدل سازی توزیع احتمال CLTV آموزش می دهد.سپس ، یک ماژول انتخاب توزیع (DSM) برای انتخاب زیر توزیع برای هر نمونه پیشنهاد شده است ، بنابراین انتخاب را به صورت خودکار و سازگار انجام می دهد.علاوه بر این ، ما یک مکانیسم تراز را طراحی می کنیم که هر دو ماژول را به هم متصل می کند ، که به طور موثری بهینه سازی را راهنمایی می کند.ما آزمایش های گسترده ای را در دو مجموعه داده خصوصی و یک مجموعه خصوصی انجام می دهیم تا تأیید کنیم که Optdist از خطوط پیشرفته برتر خارج می شود.علاوه بر این ، Optdist در یک بستر مالی در مقیاس بزرگ برای کمپین های بازاریابی خرید مشتری مستقر شده است و آزمایش های آنلاین همچنین اثربخشی OptDist را نشان می دهد.