500万客户8分钟搞定！新模型比老方法快600倍，预测还一点不差！
Scalable Amortized Variational Inference for Non-Poisson Buy-'Til-You-Die Models
👨💼 主理人解读 · 为什么值得关注
提出可扩展的摊销变分推断方法，突破BTYD模型泊松假设限制，支持百万级客户异质性时序建模。
📖 AI 总结
本文提出了一种可扩展的摊销变分推断方法，用于解决非泊松Buy-'Til-You-Die（BTYD）模型中的参数估计问题。传统BTYD模型普遍假设交易遵循泊松过程，难以应对现代大规模客户群体中多样化的时间模式。作者引入基于Weibull更新过程的模型家族，并开发了高效的摊销变分推断算法。在包含500万在线零售客户的专有数据集上，该方法仅需8分钟完成拟合，而现有最先进方法预计需3-4天。理论和实证结果表明，计算性能的大幅提升并未牺牲模型解释力或预测精度。此外，基于梯度的推断框架便于扩展协变量，作者在2020年美国大选期间400万政治捐赠者的公开数据上进行了验证。该研究展示了将近似贝叶斯推断与现代机器学习工具相结合，可显著提升客户基础分析中概率模型的效率和表达能力。
🔑 关键词速览
| Buy-'Til-You-Die (BTYD) models | 购买至死亡模型，用于预测客户未来购买行为的概率模型，假设客户在“死亡”（停止购买）前持续购买。 |
| Weibull renewal process | 威布尔更新过程，一种广义的随机过程，用于建模事件间隔时间，比泊松过程更灵活，能捕捉时间异质性。 |
| Amortized variational inference | 摊销变分推断，一种近似贝叶斯推断方法，通过神经网络参数化变分分布，实现高效且可扩展的参数估计。 |
| Scalable parameter estimation | 可扩展参数估计，指算法能高效处理大规模数据集（如数百万客户）的参数估计方法。 |
| Covariates | 协变量，指影响模型预测的外部变量（如客户人口统计特征），在模型中用于解释个体差异。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅