LTV预估 | 最优分布学习网络OptDist
🤣 有意思，单一分布确实比较难拟合某些较复杂的分布，这时是不是就可以结合多个分布来去拟合呢？让我们一探究竟！！！
文章目录
- 1 精简总结
- 2 背景&挑战
- 3 方法
- 4 实验
✅【CIKM-2024 OptDist】《OptDist: Learning Optimal Distribution for Customer Lifetime Value Prediction》
论文链接：https://dl.acm.org/doi/10.1145/3627673.3679712
1 精简总结
OptDist提出分布学习模块DLM，用于训练n个候选子分布网络，对ltv分布进行建模。分布选择模块DSM则通过为每个样本自适应选择子分布进行学习。提出了一个对齐机制来优化两模块的训练。
2 背景&挑战
鲸鱼用户（Game
Whale，大R用户）：具有高消费能力的用户。以游戏为例，用户的消费情况基本符合二八定律，即20%的大R用户提供了80%的成交收益。该论文发现大R用户和普通用户的分布是存在明显差异的。
- 大量用户0消费，长尾问题，整体呈现零膨胀分布。
- 大R用户稀疏，但付费金额比普通用户高出几个数量级，难以通过单一分布捕捉。
- 现有方法大部分，会预先假设先验概率分布（如对数正态/gamma分布），然后为所有样本拟合一组与分布相关的参数。还有启发式方法手动定义分桶区间对ltv分桶，从后验分布学习。但这些方法无法处理复杂和可变的分布。