{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,14]]，“日期-时间”：“2024-06-14T07:14:34Z”，“时间戳”：1718349274064}，“引用-计数”：41，“发布者”：“计算机械协会（ACM）”，“问题”：“5”，“内容-域”:{“域”：[“dl.ACM.org”]，“交叉标记限制“：true}，“short-container-title”：[“ACM Trans.Knowl.Discov.Data”]，“published-print”：{“date-parts”：[[2021,10,31]]}，“abstract”：“客户终身价值（CLV）预测是客户关系经理进行工具支持营销的重要资产。由于基于购买近况、频率、过往利润和收入统计的标准方法通常预测能力有限，近年来，先进的机器学习（ML）技术被应用于这项任务。然而，现有的方法往往不能完全建模实际中常见的某些时间模式，例如客户的定期购买行为。为了解决这些缺点，我们提出了一种基于多种ML技术组合的CLV预测新方法。我们的方法的核心是基于带增广时间卷积的编码器\u2013解码器序列到序列递归神经网络的定制深度学习方法。然后将该模型与梯度提升机（GBM）和一组新功能结合在一个混合框架中。基于一家较大电子商务公司的真实数据和在线零售领域的公共数据集的实证评估表明，基于序列的模型已经导致了具有竞争力的绩效结果。将其与GBM模型进行叠加可以起到协同作用，并进一步提高准确性，这表明这两个模型捕获了数据中的不同模式<\/jats:p>“，”DOI“：”10.1145\/3441444“，”type“：”journal-article“，”created“：{”date-parts“：[2021,5,10]]，”date-time“：”2021-05-10T22:24:14Z“，”timestamp“：1620685454000}，”page“：“：[”使用序列到序列学习和基于特征的模型改进客户终身价值预测“]，“前缀”：“10.1145”，“卷”：“15”，“作者”：[{“给定”：“Josef”，“家族”：“Bauer”，“序列”：“第一”，“隶属关系”：[}“名称”：“克拉根福大学，克拉根福am W\u00f6rtherse，奥地利”}]}，{“给出”：“Dietmar”，“家庭”：“Jannach”，”Sequence“：”附加”，“附属机构”：[｛“名称”：“克拉根福大学，Klagenfurt am W\u00f6rthersee，Austria”｝]，“成员”：“320”，“在线发布”：｛“日期部分”：[[2021,5,10]]｝，“参考”：[｛“密钥”：“e_1_2_1_1”，“doi断言者”：“发布者”，“doi”：“10.1109\\ECACE.2017.7912903”｝，｛“密钥”：“e_1_2_2_1”，“卷标题”：“神经机器翻译通过联合学习对齐和翻译。arXiv:1409.0473“，”author“：”Bahdanau Dzmitry“，”year“：”2014“，”unstructured“：”Dzmitry-Bahdanau、Kyunghyun Cho和Yoshua Bengio。2014年，通过联合学习对齐和翻译实现神经机器翻译。arXiv:1409.0473（2014）。Dzmitry Bahdanau、Kyunghyun Cho和Yoshua Bengio。2014年，通过联合学习对齐和翻译实现神经机器翻译。arXiv:1409.0473（2014年）。“}，{”key“：”e_1_2_1_3_1“，”volume-title“：”与R竞争的风险和多国模型“，”author“：”Beyersmann-Jan“，”unstructured“：”Jan Beyersman，Arthur Allignol，And Martin Schumacher.2011。竞争风险与R的多州模型。施普林格科技与商业媒体。简·贝耶斯曼（Jan Beyersmann）、亚瑟·阿里格诺（Arthur Allignol）和马丁·舒马赫（Martin Schumacher）。2011年，与R.Springer Science&Business Media竞争风险和多州模型。“}，{”key“：”e_1_2_1_4_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Derya Birant.2011。使用RFM分析进行数据挖掘。在数据挖掘中面向知识的应用程序中。InTech公司。德里亚·比兰特。2011.使用RFM分析进行数据挖掘。在数据挖掘中面向知识的应用程序中。InTech公司。“，”DOI“：”10.5772\/13683“}，{”key“：”e_1_2_1_5_1“，”volume-title“：”Neslin“，”author“：”Blattberg Robert C.“，”year“：”2008“，”unstructured“：”Robert C.Blattber、Byung-Do Kim和Scott A.Neslin.2008.Database Marketing\u2013分析和管理客户.Springer。数据库营销\u2013分析和管理客户。斯普林格。“}，{”key“：”e_1_1_6_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1287\/mnsc.1070.0746”}，“key”：“e_2_1_7_1”，“volume-title”：“神经网络：交易技巧”，“作者”：“Bottou L\u00e9on”，“非结构化”：“L\u0019on Bottou.2012”。随机梯度下降技巧。《神经网络：交易的技巧》。施普林格，421-436。Bottou上的L\u00e9。2012.随机梯度下降技巧。《神经网络：交易的技巧》。Springer，421--436.“}，{”key“：”e_1_2_1_8_1“，”volume-title“：”Davis“，“author”：“Brockwell Peter J.”，“year”：“2016”，“unstructured”：“Peter J.BrockwellandRichard A.Davis.2016.时间序列和预测导论（第3版）。Springer。Peter J.Blockwell和Richard A.Davis.2016。时间序列与预测导论（第3版）。斯普林格。“}，{”key“：”e_1_1_9_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1287\/mksc.14.4.378”}，“{”key“：“e_1_i_1_10_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3097983.3098123 key“：”e_1_2_1_12_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2939672.2939785”}，{“key”：“e_1_2_1_13_1“，“卷时间”：“Caglar Gulcehre、Dzmitry Bahdanau、Fethi Bougares、Holger Schwenk和Yoshua Bengio。“，”author“：”Cho Kyunghyun“，”year“：”2014“，”unstructured“：”Kyunghyun Cho、Bart Van Merri\u00ebnboer、Caglar Gulcehre、Dzmitry Bahdanau、Fethi Bougares、Holger Schwenk和Yoshua Bengio。2014 . 使用RNN编码器-解码器学习短语表示以进行统计机器翻译。arXiv:1406.1078（2014）。Kyunghyun Cho、Bart Van Merri\u00ebnboer、Caglar Gulcehre、Dzmitry Bahdanau、Fethi Bougares、Holger Schwenk和Yoshua Bengio。2014.使用RNN编码器-解码器学习用于统计机器翻译的短语表示。arXiv:1406.1078（2014）。}，{“key”：“e_1_2_1_14_1”，“volume-title”：“门控递归神经网络对序列建模的实证评估。arXiv:1412.3555”，“author”：“Chung Junyoung”，“year”：“2014”，“unstructured”：“Junyoung-Chung，Caglar-Gulcehre，KyungHyun Cho，and Yoshua Bengio。2014。门控递归神经网络对序列建模的实证评估。arXiv:1412.3555（2014）。钟俊英（Junyoung Chung）、卡格拉·古尔切里（Caglar Gulcehre）、赵京贤（KyungHyun Cho）和约书亚·本吉奥（Yoshua Bengio）。2014.门控递归神经网络对序列建模的实证评估。arXiv:1412.3555（2014年）。“}，{”key“：”e_1_1_15_1“，”doi-asserted-by“：”publisher“，“doi”：“10.5555\/2882600.2882608”}，“key”：“e_2_1_16_1”，“doi-assert-by”：“publisher”，”doi“：”10.1509\/jmkr.2005.42.4.415伊恩·古德费罗、约舒亚·本吉奥、亚伦·库维尔和约舒亚·本吉奥。2016年，深度学习。第1卷。麻省理工学院剑桥出版社。伊恩·古德费罗、约舒亚·本吉奥、亚伦·库维尔和约舒亚·本吉奥。2016年，深度学习。第1卷。麻省理工学院剑桥出版社。“}，{”key“：”e_1_2_1_18_1“，”volume-title“：”Neural turing machines.arXiv:1410.5401“，“author”：“Graves Alex”，“year”：“2014”，“unstructured”：“Alex Graves，Greg Wayne，and Ivo Danihelka。2014。神经转向机。arXiv:1410.5401（2014）。Alex Graves、Greg Wayne和Ivo Danihelka。2014.神经转向机。arXiv:1410.5401（2014）。“}，{”key“：”e_1_1_19_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/DSAA.2015.7344821”}，“{”key“：“e_1_i_1_20_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TKDE.2018.2872587，{“键”：“e_1_2_1_22_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1287\/mksc.1060.0221”}，{“key”：“e_1_1_23_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1162\/neco.1997.9.1735“}，{”key“：”e_2_1_24_1“，”doi-assert-by“：”publisher“，“doi”：“10.1016\/j.ijforecast.2011.04.004”}，“{”key：“e_cu1_25_1”“key”：“e_1_2_1_26_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1016\/j.procs.2010.12.011”}，{“key”：“e_1_2_1_27_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1561\/0800000013“}，}”key“：”e_1_i_1_28_1“，”volume-title“客户关系管理：概念、战略和工具”，“author”：“Kumar Vineet”，“unstructured”：“Vineet Kumar and Werner Reinartz.2018。客户关系管理：概念、战略和工具。斯普林格。维尼特·库马尔（Vineet Kumar）和沃纳·雷纳茨（Werner Reinartz）。2018.客户关系管理：概念、战略和工具。斯普林格。“}，{”key“：”e_1_1_29_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/0047-259X（85）90027-2”}，“key”：“e_2_1_30_1”，“volume-title”：“于汉石，魏白，韩高，邱鲁豫，汪聪，高元元，张申嘉，薛勋，et \u00a0al.”，“author”：“李晓辉”，“年份”：“2020”，“非结构化”：”李晓慧、陈曹、史玉涵、白薇、高寒、邱璐瑜、王聪、高元元、张申嘉、薛勋等。2020 . 数据驱动和知识软件eXplainable AI调查。IEEE知识与数据工程汇刊（2020年）。李晓慧、陈曹、史玉涵、白薇、高寒、邱璐瑜、王聪、高元元、张申嘉、薛勋等。2020年。数据驱动和知识软件eXplainable AI调查。IEEE知识与数据工程汇刊（2020）。“}，{”key“：”e_1_1_31_1“，”first-page“：”81“，”article-title“：”现金流量数据的多元时间序列预测模型“，”volume“：“71”，“author”：“Lorek Kenneth S.”，“year”：“1996”，“unstructured”：“Kenneth S Lorek and G.Lee Willinger。1996。现金流量数据多元时间序列的预测模型。《会计评论》71，1（1996）, 81 -- 102 . Kenneth S.Lorek和G.Lee Willinger。1996年，现金流量数据的多元时间序列预测模型。《会计评论》71，1（1996），81-102.“，“日记标题”：“会计评论”}，{“key”：“e_1_2_1_32_1”，“volume-title”：“Lundberg and Su-In Lee”，“author”：“Scott”，“year”：“2017”，“unstructured”：“斯科特·M。Lundberg和Su In Lee。2017 . 解释模型预测的统一方法。神经信息处理系统进展。4765--4774. Scott M.Lundberg和Su-In Lee。2017年。解释模型预测的统一方法。神经信息处理系统进展。4765-4774.“}，{“key”：“e_1_2_1_33_1”，“volume title”：“统计和机器学习预测方法：关注点和前进方向。PLoS ONE 13，3”，“作者”：“Makridakis Spyros”，“年份”：“2018”，“非结构化”：“Spyros Makridakis，Evangelos Spiliotis，and Vassilios Assimakopoulos。2018。统计和机器学习预测方法：关注点和前进方向。《公共科学图书馆·综合》13，3（2018）。Spyros Makridakis、Evangelos Spiliotis和Vassilios Assimakopoulos。2018年。统计和机器学习预测方法：关注点和前进方向。《公共科学图书馆·综合》13，3（2018）。“}，{”key“：”e_1_2_1_34_1“，”unstructured“：”Tomas Mikolov Ilya Sutskever Kai Chen Greg S.Corrado和Jeff Dean，2013年。单词和短语的分布式表示及其组成。神经信息处理系统进展。3111--3119. 托马斯·米科洛夫·伊利亚·萨茨克沃（Tomas Mikolov Ilya Sutskever）、凯·陈（Kai Chen）、格雷格·科拉多（Greg S.Corrado）和杰夫·迪恩（Jeff Dean）。2013.单词和短语的分布式表示及其组成。神经信息处理系统进展。3111--3119.“}，{”key“：”e_1_2_1_35_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1002\/（SICI）1520-6653（200021）14:2<43:：AID-DIR4>3.0.CO；2-H“}”，{“key”：“e_1_i_1_36_1”，“doi-assert-by”：“publisher”，”doi“：”10.5555\/2780513.2780514“}“，{：“乐”，“作者”：“Sutskever Ilya”，“年份”：“2014年”，“非结构化”：“伊利亚·萨茨克弗（Ilya Sutskever）、Oriol Vinyals和Quoc V。法国。2014 . 用神经网络进行序列到序列的学习。神经信息处理系统进展。3104--3112. 伊利亚·萨茨克弗（Ilya Sutskever）、Oriol Vinyals和Quoc V.Le。2014.使用神经网络进行序列到序列学习。神经信息处理系统进展。3104--3112.“}，{”key“：”e_1_2_1_38_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/293962.2939693”}，“key”：“e_1_i_1_39_1”，“unstructured”：“Ashish Vaswani Noam Shazeer Niki Parmar Jakob Uszkoreit Llion Jones Aidan N.Gomez\u0141ukasz Kaiser and Illia Polosukhin.2017。注意力是你所需要的。神经信息处理系统进展。5998--6008. Ashish Vaswani Noam Shazeer Niki Parmar Jakob Uszkoreit Llion Jones Aidan N.Gomez\u0141ukasz Kaiser和Illia Polosukhin。2017年。你所需要的就是关注。神经信息处理系统进展。5998--6008.“}，{“key”：“e_1_2_1_40_1”，“volume-title”：“Deep forest.arXiv:1702.08835”，“author”：“Zhou Zhi-Hua”，《年份》：“2017”，“unstructured”：“Zhi-Hua Zhou and Ji Feng.2017。森林深处。arXiv:1702.08835（2017）。Zhi Hua Zhou和Ji Feng。2017年，深层森林。arXiv:1702.08835（2017）。“}，{”key“：”e_1_1_41_1“，”volume-title“：”Le“，“author”：“Zoph Barret”，“year”：“2016”，“unstructured”：“Barret Zoph and Quoc V.Le.2016.神经架构搜索与强化学习。arXiv:1611.01578（2016）。Barret Zoph and Quoc.V.Le.2016。用强化学习进行神经结构搜索。arXiv:1611.01578（2016）。“}]，”container-title“：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3441444“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}”，”deposed“：{”date-parts“：[2023,1]]，”date-time“：“”2023-01-01T23:30:06Z”，“时间戳”：1672615806000｝，“分数”：1，“资源”：｛“主要”：｛“URL”：“https:\/\/dl.acm.org/doi\/10.1145\/344444”｝，“副标题”：[]，“短标题”：[]，“已发布”：｛“日期部分”：[[2021,5,10]]｝，“引用次数”：41，“期刊发行”：｛“发行”：“5”，“已发布印刷品”：｛“日期部分”：[[2021,10,31]]｝，“备选id”：[“10.1145\/344444”]，“URL”：“http:\/\/dx.doi.org\/10.1145\/3441444“，”关系“：{}，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN-type“：[{”值“：“1556-4681'，”类型“：”打印“}，{”价值“：”1556-442X“，”类型”：“电子”}]，”主题“：[]，”已发布“：{”日期部分“：[2021,5,10]]}，“断言”：[{“价值”：“2019-02-01“，”order“：0，”name“：”received“，”label“：”received“，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{“value”：“2020-12-01”，“order”：1，“name”：“accepted”，“table”：“accepted（接受）”，“group”：{“name”:“publication_历史”，“标签”：“publication history（发布历史）}}}