[论文解读] A Semi-Supervised and Inductive Embedding Model for Churn Prediction of Large-Scale Mobile Games

Xi Liu, Muhe Xie+5 more|arXiv (Cornell University)|Aug 20, 2018

Customer churn and segmentation被引用 4

一句话总结

本文提出了一种新颖的半监督、归纳式深度学习模型，通过属性边嵌入和时间损失，联合学习用户-游戏交互嵌入与流失预测函数。在来自三星游戏启动器的40,000款游戏和40,000名用户的现实世界数据集上进行评估，该模型通过新颖的属性随机游走与边嵌入框架，捕捉上下文特征和动态关系变化，在大规模流失预测任务中优于最先进方法。

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.

研究动机与目标

• 为解决在数十亿用户-应用交互的大型移动游戏平台中面临的流失预测关键挑战。
• 克服传统机器学习模型的局限性，包括可扩展性差、依赖手工特征工程，以及无法处理新用户和新游戏的问题。
• 开发一种归纳式、半监督模型，联合学习用户-游戏关系的预测与嵌入函数。
• 将丰富的上下文属性（如WiFi、屏幕亮度）和动态交互模式整合到嵌入过程中。
• 实现适用于商业移动游戏平台集成的实时、可扩展流失预测。

提出的方法

• 该模型将用户-游戏交互表示为属性二部图，其中节点为用户和游戏，边编码交互事件及其属性。
• 设计了一种新颖的属性随机游走技术，通过同时考虑交互实体之间的拓扑邻接性和属性相似性，采样边的上下文。
• 通过深度神经网络学习边嵌入，联合优化流失预测（监督）和上下文恢复（无监督）。
• 引入时间损失以强制连续图快照之间边嵌入的一致性，捕捉随时间演变的关系动态。
• 该模型具备归纳性，可在无需重新训练的情况下对先前未见的用户、游戏及用户-游戏边进行推理。
• 该框架支持端到端、自动化的特征学习，无需人工特征工程，充分利用结构化数据与属性丰富的数据。

实验结果

研究问题

• RQ1 半监督、归纳式边嵌入模型能否在拥有数亿用户-应用交互的大规模移动游戏中有效预测流失？
• RQ2 在随机游走采样中同时结合拓扑结构与属性相似性，是否能提升预测性能？
• RQ3 与静态嵌入相比，建模边嵌入中的时间动态性在多大程度上提升了流失预测的准确性？
• RQ4 所提出的模型是否能泛化到其他涉及用户-对象关系的流失预测场景？
• RQ5 联合优化预测与嵌入函数的方法，与解耦或纯无监督方法相比有何优势？

主要发现

• 所提出的模型在来自三星游戏启动器平台收集的真实世界数据集（40,000款游戏和40,000名用户）上实现了卓越性能。
• 该模型在流失预测准确率方面显著优于现有最先进方法，尤其在处理大规模、动态的用户-游戏交互方面表现突出。
• 引入时间损失可使边嵌入更加稳定和准确，从而随时间推移提升预测可靠性。
• 属性随机游走技术通过结合拓扑相似性与基于属性的相似性，有效捕捉了更丰富的上下文，提升了表征质量。
• 半监督训练方案通过利用未标记数据进行上下文恢复，显著提升了泛化能力，尤其在低监督场景下表现更优。
• 该模型完全具备归纳性，可部署于生产系统中，支持持续引入新用户和新游戏。