😄 说到大R用户挖掘，那不得不提ExpLTV，它可是一把pltv利器。文章目录1 精简总结2 背景挑战3 方法4 实验：5 思考：✅【CIKM-2023 腾讯 ExpLTV】《Out of the Box Thinking: Improving Customer Lifetime Value Modelling via Expert Routing and Game Whale Detection》论文链接： https://arxiv.org/pdf/2308.127291 精简总结结合ltv预估任务与大R识别任务。内含专家多任务框架，大R识别作为门控网络分配不同用户进入恰当的学习模式。缓解了Sample Selection Bias (SSB) and Data Sparsity (DS)问题（不直接建模判断一个付费用户是否是大R，而是在全部用户（包含非付费）的空间内做预测，在全域空间内对用户进行训练和预测，确保训练空间与预测空间一致），从游戏用户“转化-付费-大R”的时序行为出发，通过辅助任务和中间变量完成大R识别任务。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R数量非常稀疏，大部分游戏的大R数量占比不到1%。大R消费金额大，与普通付费用户分布有差异。