😄不得不说，腾讯在这方面还是有挺多论文的哈～文章目录1 精简总结2 背景挑战3 方法4 实验（ltv7）✅【PAKDD-2024 腾讯 MDAN】《MDAN: Multi-distribution Adaptive Networks for LTV Prediction》论文链接：添加链接描述1 精简总结1、根据输入特征生成不同ltv分布对应的embedding。2、根据输入特征生成不同ltv分布对应的权重，该权重可和预先根据ltv分桶好的档位标签计算ce_loss。3、上述对应权重和embedding进行加权生成聚合embedding，再经过fc得到pltv，和ltv标签计算ltv_mse_loss。4、loss：ce_loss，ltv_mse_loss，dissim_loss (在同个batch内，用于学习使得ltv分布对应的聚合embedding的差异和ltv值的差异保持一致)。注：dissim_loss有点对比学习的味道，但其本质是用连续标签差异去监督 embedding 相似度矩阵的关系结构对齐，属于结构保持型度量学习。广义上可以叫它"软标签的对比学习"，但它不是 InfoNCE （标签是离散二值）那种判别式对比学习；2 背景挑战稀疏性：付费数据不平衡，大多数用户不付费。差异性：大R消费金额大，与普通付费用户分布有差异，二八定律。3 方法 LTV预估 | 多分布自适应网络MDAN
😄不得不说，腾讯在这方面还是有挺多论文的哈～文章目录1 精简总结2 背景挑战3 方法4 实验（ltv7）✅【PAKDD-2024 腾讯 MDAN】《MDAN: Multi-distribution Adaptive Networks for LTV Prediction》论文链接：添加链接描述1 精简总结1、根据输入特征生成不同ltv分布对应的embedding。2、根据输入特征生成不同ltv分布对应的权重，该权重可和预先根据ltv分桶好的档位标签计算ce_loss。3、上述对应权重和embedding进行加权生成聚合embedding，再经过fc得到pltv，和ltv标签计算ltv_mse_loss。4、loss：ce_loss，ltv_mse_loss，dissim_loss (在同个batch内，用于学习使得ltv分布对应的聚合embedding的差异和ltv值的差异保持一致)。注：dissim_loss有点对比学习的味道，但其本质是用连续标签差异去监督 embedding 相似度矩阵的关系结构对齐，属于结构保持型度量学习。广义上可以叫它"软标签的对比学习"，但它不是 InfoNCE （标签是离散二值）那种判别式对比学习；2 背景挑战稀疏性：付费数据不平衡，大多数用户不付费。差异性：大R消费金额大，与普通付费用户分布有差异，二八定律。3 方法 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
