主要观点总结
本文介绍了针对用户在新下载游戏上的消费预测问题的研究。研究团队提出了一种鲁棒的模型训练和评估框架，旨在标准化支出数据以减轻标签的框架方差和极值，确保建模过程的稳定性。文章详细描述了模型的设计、训练、评估过程，包括数据收集、模型框架设计、标签标准化策略、模型训练损失函数设计、评估策略设计等内容，并通过实验验证了框架的有效性。此外，文章还介绍了一种协同增强的用户消费数值预测模型，以提高模型的预测能力。最后，文章进行了在线A/B实验，验证了提出的模型在实际应用中的效果。
关键观点总结
关键观点1: 研究背景与目的
随着手机游戏激增，准确预测用户在新下载游戏上的支出成为最大化收益的关键。然而，用户行为的不可预测性给这项工作带来了挑战。本文旨在提出一种鲁棒的模型训练和评估框架，以解决这一问题。
关键观点2: 模型设计与训练
研究团队提出了一种模型训练和评估框架，包括数据收集、模型框架设计、标签标准化策略等。为解决数据分布怪异问题，提出了标签标准化的方案，并结合用户和产品双侧标准化数值进行标签标准化。
关键观点3: 模型评估策略
针对现有评估体系存在的问题，研究团队从训练损失函数设计和评估策略设计两个角度出发，提出了加速研究的框架设计。为降低未观测因素对模型评估的负面影响，采用排序指标评估模型是否能够发现用户更愿意付费的产品。
关键观点4: 协同增强的用户消费数值预测模型
为提高模型的预测能力，研究团队提出了协同增强的用户消费数值预测模型。该模型通过建模用户游戏之间的协同关系，结合现有业务模型，赋予其更强的协同建模能力。
关键观点5: 实验验证与在线A/B实验
研究团队通过多组实验验证了框架和模型的有效性。为期两周的在线A/B实验表明，提出的模型相对于业务模型取得了显著的收益提升。
文章预览
嘿，记得给“ 机器学习与推荐算法 ”添加 星标 作者：孙培杰 单位：清华大学 TLDR: 随着手机游戏的激增，准确预测用户在新下载游戏上的支出已成为最大化收益的关键。然而，内在的不可预测性用户行为的分析对这项工作提出了重大挑战。为解决这个问题，本文提出一种鲁棒的模型训练和评估旨在标准化支出数据以减轻标签的框架方差和极值，确保建模过程的稳定性。已成功上线。 论文： https://arxiv.org/abs/2404.08301 代码： https://zenodo.org/records/10775846 现有的在线服务系统多数关注 CTR 和 CVR 指标，然而，如何更加精准的推测用户对平台的价值对于实现精准广告和服务推荐更有意义。在本研究工作中，我们以如何测量用户主观上愿意多付费的游戏产品，并以推荐给用户为研究任务，对该任务进行探索。 直观来看，把用户更满意的商品推荐给用户应
………………………………
