[논문 리뷰] A Semi-Supervised and Inductive Embedding Model for Churn Prediction of Large-Scale Mobile Games

Xi Liu, Muhe Xie외 5명|arXiv (Cornell University)|2018. 08. 20.

Customer churn and segmentation인용 수 4

한 줄 요약

이 논문은 속성 부여된 엣지 임베딩과 시간 손실을 활용하여 사용자-게임 상호작용 임베딩과 이탈 예측 함수를 공동으로 학습하는 새로운 반감독형, 인덕티브 딥 러닝 모델을 제안한다. 삼성 게임 런처에서 수집한 40,000개의 게임과 40,000명의 사용자로 구성된 실세계 데이터셋에서 평가된 결과, 이는 새로운 속성 부여된 무작위 보행과 엣지 임베딩 프레임워크를 통해 맥락적 특징과 동적 관계 변화를 모두 포착함으로써 대규모 이탈 예측에서 최신 기술을 능가한다.

ABSTRACT

Mobile gaming has emerged as a promising market with billion-dollar revenues. A variety of mobile game platforms and services have been developed around the world. One critical challenge for these platforms and services is to understand user churn behavior in mobile games. Accurate churn prediction will benefit many stakeholders such as game developers, advertisers, and platform operators. In this paper, we present the first large-scale churn prediction solution for mobile games. In view of the common limitations of the state-of-the-art methods built upon traditional machine learning models, we devise a novel semi-supervised and inductive embedding model that jointly learns the prediction function and the embedding function for user-app relationships. We model these two functions by deep neural networks with a unique edge embedding technique that is able to capture both contextual information and relationship dynamics. We also design a novel attributed random walk technique that takes into consideration both topological adjacency and attribute similarities. To evaluate the performance of our solution, we collect real-world data from the Samsung Game Launcher platform that includes tens of thousands of games and hundreds of millions of user-app interactions. The experimental results with this data demonstrate the superiority of our proposed model against existing state-of-the-art methods.

연구 동기 및 목표

• 수십억 건의 사용자-앱 상호작용이 발생하는 대규모 모바일 게임 플랫폼에서의 이탈 예측이라는 핵심 과제를 해결하기 위해.
• 기존 기계학습 모델의 한계, 즉 낮은 확장성, 수작업 특징 설계에 의존성, 새로운 사용자 및 게임을 처리할 수 없는 점을 극복하기 위해.
• 사용자-게임 관계에 대한 예측 및 임베딩 함수를 공동으로 학습하는 인덕티브, 반감독형 모델을 개발하기 위해.
• 예를 들어 와이파이, 화면 밝기 등의 풍부한 맥락적 속성과 동적 상호작용 패턴을 임베딩 과정에 통합하기 위해.
• 실시간으로 확장 가능하며 상용 모바일 게임 플랫폼에 통합 가능한 대규모 이탈 예측을 가능하게 하기 위해.

제안 방법

• 모델은 사용자-게임 상호작용을 이원 그래프로 표현하며, 노드는 사용자와 게임이 되고, 엣지는 상호작용 이벤트와 속성을 포함한다.
• 상호작용 엔티티 간의 위상적 인접성과 속성 유사도를 고려하여 엣지 컨텍스트를 샘플링하기 위해 새로운 속성 부여된 무작위 보행 기법을 설계하였다.
• 이탈 예측(감독 학습)과 컨텍스트 복원(비감독 학습)을 동시에 최적화하는 딥 네트워크를 통해 엣지 임베딩을 학습한다.
• 시간 손실이 도입되어 연속적인 그래프 스냅샷 간 엣지 임베딩의 일관성을 강제함으로써 시간에 따른 관계 변화를 포착한다.
• 모델은 인덕티브이므로 재학습 없이도 이전에 보지 못한 사용자, 게임, 사용자-게임 엣지도 추론이 가능하다.
• 구조적 데이터와 속성 기반 데이터를 모두 활용하여 수동적인 특징 설계 없이 엔드 투 엔드로 자동 특징 학습을 지원한다.

실험 결과

연구 질문

• RQ1 수백만 건의 사용자-앱 상호작용이 발생하는 대규모 모바일 게임에서 반감독형, 인덕티브 엣지 임베딩 모델이 효과적으로 이탈을 예측할 수 있는가?
• RQ2 무작위 보행 샘플링에 위상적 구조와 속성 유사도를 함께 통합할 경우 예측 성능가 향상되는가?
• RQ3 정적 임베딩에 비해 엣지 임베딩에 시간 동적 특성을 모델링할 경우 이탈 예측 정확도가 얼마나 향상되는가?
• RQ4 제안된 모델은 모바일 게임 외에도 사용자-객체 관계를 포함한 다른 이탈 예측 시나리오로 일반화 가능한가?
• RQ5 예측 및 임베딩 함수의 공동 최적화는 분리된 또는 순수 비감독 접근 방식에 비해 어떻게 비교되는가?

주요 결과

• 제안된 모델은 삼성 게임 런처 플랫폼에서 수집한 실세계 데이터셋(40,000개의 게임과 40,000명의 사용자)에서 뛰어난 성능을 달성한다.
• 특히 대규모이고 동적인 사용자-게임 상호작용을 처리할 때 기존 최신 기술보다 뚜렷이 뛰어난 이탈 예측 정확도를 보인다.
• 시간 손실의 포함으로 인해 엣지 임베딩이 더 안정적이고 정확해지며, 시간이 지남에 따라 예측 신뢰성이 향상된다.
• 속성 부여된 무작위 보행 기법은 위상적 유사성과 속성 기반 유사성을 조합하여 더 풍부한 맥락을 효과적으로 포착함으로써 표현 품질을 향상시킨다.
• 반감독 학습 체계는 레이블이 적은 환경에서 비감독 데이터를 활용해 컨텍스트 복원에 기여함으로써 일반화 능력을 향상시킨다.
• 모델은 완전히 인덕티브이므로 새로운 사용자와 게임이 지속적으로 도입되는 실시간 환경에서의 프로덕션 시스템에 배포가 가능하다.