A Semi-supervised Multi-task Learning Approach to Classify Customer Contact Intents
Amazon（亚马逊）
在客户支持领域，了解客户的意图是至关重要的一步.机器学习在这种类型的意图分类中起着至关重要的作用。实际上，通常从客户支持代表（CSR）收集关于意图预测的确认，尽管要求CSR将现有或新意图分配给错误分类的情况可能不必要地招致过高的成本。除了有和没有意图标签的确诊病例外，可能还有一些病例没有人工治疗。这种数据组合（阳性+未标记+多类阴性）为模型开发带来了独特的挑战。针对这一点，我们提出了一种半监督多任务学习范式。在这篇手稿中，我们分享我们的经验，建立基于文本的意图分类模型的客户支持服务的电子商务网站。我们通过将模型从多类分类发展到半监督多任务学习来显着提高性能，方法是利用负面案例，客户联系文本上的域和任务自适应预训练ALBERT，以及一些没有标签的未策划数据。在评估中，与基线微调多类分类ALBERT模型相比，最终模型将平均AUC ROC提高了近20个点。
2021-06-10 cs.AI cs.CL cs.IR
Travel Time Prediction in Supply Chain Management Using Machine Learning
Swiss School of Business and Management, Geneva（瑞士商学院日内瓦校区）
本研究利用机器学习和深度学习方法，基于大量历史数据构建模型，以准确预测供应链系统中运输和物流的运输时间，从而提高物流一致性和绩效。
2026-10-01 cs.AI cs.LG
Outbound Modeling for Inventory Management
Amazon – SCOT Inbound Systems（亚马逊-SCOT入仓系统）；Amazon AWS – NeuroSymbolic AI（亚马逊AWS-神经符号AI）
本研究针对库存管理中的出库消耗与运输成本预测问题，提出一种概率预测模型，以解决强化学习训练中模拟器不可微及计算成本高的问题，并设计了基于生产系统的验证方案，初步证明了模型在分布内环境中的准确性。
2025-07-15 cs.LG
Improved Customer Transaction Classification using Semi-Supervised Knowledge Distillation
Swiggy（Swiggy公司）
在取货和送货服务中，基于客户提供的自由文本的交易分类是一个具有挑战性的问题。它涉及将各种各样的客户输入关联到一组固定的类别，同时适应各种客户写作风格。这种分类对企业来说很重要：它有助于了解市场需求和趋势，并有助于为不同的客户群体构建个性化的体验。因此，以高精度和召回率大规模捕获这些类别信息趋势至关重要。在本文中，我们关注一个特定的用例，其中单个类别驱动每个事务。本文提出了一种基于半监督和知识蒸馏框架的事务分类方法。该方法使用客户给出的自由文本输入来识别交易的类别。我们使用弱标记，并注意到性能增益与使用人工注释的样本相似。在大型内部数据集和20 Newsgroup数据集上，我们看到RoBERTa在分类任务中表现最好。此外，使用ALBERT模型（它的参数比RoBERTa的参数少33倍），以RoBERTa作为教师，我们看到与RoBERTa相似的性能，并且比未适应的ALBERT性能更好。这个框架，作为一个学生和ROBERTa作为教师，在本文中进一步被称为R-ALBERT。该模型已投入生产，并被企业用于了解不断变化的趋势并做出适当的决策。
2021-02-15 cs.CL cs.LG
OPAM: Online Purchasing-behavior Analysis using Machine learning
Univ. of Washington（华盛顿大学）；Volvo Cars Technology（沃尔沃汽车技术公司）；University of California, Berkeley（加州大学伯克利分校）
客户购买行为分析在开发在线供应商和客户之间有见地的沟通策略中起着关键作用。为了支持最近增加的在线购物的趋势，在这项工作中，我们提出了一个客户购买行为分析系统，使用监督，无监督和半监督学习方法。所提出的系统分析会话和用户旅程级别的购买行为，以确定客户类别/集群，这可能是有用的有针对性的消费者洞察规模。我们观察到更高的敏感性，在线购物门户网站的设计，会话级购买预测的准确率/召回率在91-98%/73- 99%，分别。用户旅程水平分析展示了五个独特的用户集群，其中“新购物者”是最可预测的，“冲动购物者”是最独特的低观看和高购物行为。此外，集群转换度量和部分标签学习证明了每个用户集群对新的/未标记的事件的鲁棒性。因此，客户群可以帮助战略目标的推动模型。
2021-02-02 cs.LG
Application of Causal Inference to Analytical Customer Relationship Management in Banking and Insurance
Institute for Development and Research in Banking Technology (IDRBT)（银行技术发展与研究所）；University of Hyderabad（海得拉巴大学）
最近，为了在各个领域中具有更好的可接受性，研究人员认为机器智能算法必须能够提供人类可以理解的解释。这方面，也被称为因果性，达到了人类水平的可解释性的特定水平。一种被称为反事实的特定算法可能能够提供因果关系。在统计学中，因果关系已经被研究和应用了很多年，但在人工智能（AI）中并不详细。在第一次的同类研究中，我们采用因果推理的原则，以提供解决分析型客户关系管理（ACRM）问题的解释。在银行业和保险业的背景下，目前的可解释性研究试图解决与可解释性相关的问题，如为什么这个模型做出这样的决定，以及模型的选择受到特定因素的影响？我们提出了一种干预形式的解决方案，其中研究了改变ACRM数据集特征分布对目标特征的影响。随后，还获得一组反事实，可以提供给任何要求解释银行/保险公司所做决定的客户。除了信用卡流失预测数据集之外，还为贷款违约、保险欺诈检测和信用卡欺诈检测数据集生成了高质量的反事实，其中观察到的变化不超过三个特征。
2022-08-19 cs.AI cs.LG stat.ME
Smart Households Demand Response Management with Micro Grid
University of Guelph（圭尔夫大学）
如今，新兴的智能电网技术开辟了客户和能源公司之间的双向通信的可能性。需求响应管理（DRM）为商业客户和家庭提供了节省资金的承诺，同时帮助公用事业公司更有效地运营。在本文中，基于激励的需求响应优化（IDRO）模型，提出了有效地调度家用电器在高峰时段的最低使用率。该方法是一种基于非线性自回归神经网络（NAR-NN）的多目标优化技术，它考虑了公用事业和屋顶安装的光伏（PV）系统提供的能量。所提出的方法进行了测试和验证，使用300个案例研究（家庭）。为期一年的数据分析表明，功率因数和客户账单有明显改善。
2019-07-08 cs.AI cs.LG cs.SY
Time-sensitive Customer Churn Prediction based on PU Learning
College of William and Mary（威廉与玛丽学院）；University of Virginia（弗吉尼亚大学）；Eaton Innovation Center（伊顿创新中心）；University of Minnesota（明尼苏达大学）；Google（谷歌）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
随着互联网企业在全球范围内的快速发展，客户流失已经成为一个严重的问题。为了更好地帮助企业留住客户，建立客户流失预测模型来识别最有可能提前流失的客户是非常重要的。在本文中，我们提出了一个时间敏感的客户流失预测（TCCP）框架的基础上积极和无标签（PU）学习技术。具体来说，我们通过缩短观测周期来获取最近的数据，只要收集到足够多的正样本就开始训练模型，忽略不存在的负样本。我们对支付宝的真实行业数据进行了全面的实验。实验结果表明，TCCP优于基于规则的模型和传统的监督学习模型。
2018-02-27 cs.LG
Prediction Modeling and Analysis for Telecom Customer Churn in Two Months
School of Data and Computer Science, Sun Yat-Sen University（中山大学数据与计算机科学学院）；Guangdong Province Key Laboratory of Computational Science（广东省计算科学重点实验室）
一个实用的客户流失预测模型是电信企业在竞争激烈的市场中留住客户的关键。以往的研究主要集中在预测当月或下月的客户流失，电信企业没有足够的时间来制定和实施客户流失管理策略。本文提出了一种新的T+2流失客户预测模型，该模型识别两个月内的流失客户，并预留一个月的窗口T+1来实施流失管理策略。然而，由于客户信息与客户流失状态之间的相关性较弱，因此对两个月内客户流失的预测比当前或下个月要困难得多。电信数据的两个特点，流失和非流失客户之间的区分是复杂的，类不平衡问题严重，观察。随机森林（Random Forest，RF）分类器解决了低偏差、低方差的非线性可分问题，能够处理高特征空间和大量训练样本，因此选择RF分类器对流失客户进行准确识别。为了克服这种不平衡问题，采用了带边界线或托梅克链的合成少数过采样方法，在保持样本分布的同时，增加了训练样本的数量。总体而言，在T+2流失预测中实现了约50%的准确率和约50%的召回率。该预测模型为电信企业提供了一种准确、可操作的客户流失预测模型。
2019-11-01 cs.IR cs.LG
Learning Transactions Representations for Information Management in Banks: Mastering Local, Global, and External Knowledge
Skoltech（斯科尔科沃科学技术研究院）
为降低银行多任务模型维护成本，比较八种无监督方法并引入整合外部信息的新方法，使准确率最高提升20%。
2025-02-03 cs.AI cs.LG
Close the Gaps: A Learning-while-Doing Algorithm for a Class of Single-Product Revenue Management Problems
University of Minnesota（明尼苏达大学）；Stanford University（斯坦福大学）；Huazhong University of Science and Technology（华中科技大学）
我们考虑零售商在有限的销售季节销售单一产品，有限的库存。顾客需求的到达是一个泊松过程，其速率受零售商采取的单一行动（如价格调整、销售佣金、广告强度等）的影响。行动和需求率之间的关系是事先不知道的。然而，零售商是能够学习的最佳行动“的飞行”，因为她最大化她的总预期收入的基础上观察到的需求反应。以定价问题为例，我们提出了一个动态的“边做边学”算法，只涉及函数值估计，以实现接近最优的性能。我们的算法采用了一系列收缩的价格区间，并使用一组精心选择的参数在该区间内迭代测试价格。我们证明了我们的算法的收敛速度是所有可能的算法中最快的渐近“遗憾”（相对损失相比，充分的信息最优解）。我们的研究结果关闭参数和非参数学习之间的性能差距，后价格机制和客户投标机制。重要的管理洞察力，从这项研究是，信息的参数形式的需求函数，以及每个客户的确切保留价格的价值是不那么重要，比以前的文献表明。我们的研究结果还表明，企业将更好地执行动态学习和行动同时进行，而不是顺序。
2013-06-27 cs.LG
Honesty is the Best Policy ... or is it? Demand Management for Probabilistic Service Options
University of Augsburg（奥格斯堡大学）；University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
本研究针对概率服务选项的需求管理问题，将其建模为序列决策过程，提出改进的强化学习算法与采样混合整数规划，以动态披露概率信息并权衡个体透明度与总体客户效用。
2026-10-16 cs.LG math.OC
Towards Dynamic Feature Selection with Attention to Assist Banking Customers in Establishing a New Business
Macquarie University（麦考瑞大学）
建立一个新的业务可能涉及知识获取在各个领域，从个人到企业和营销来源。这项任务具有挑战性，因为它需要检查各种数据岛，以发现隐藏的模式和未知的相关性，例如购买行为，消费者购买信号以及不同位置的人口统计和社会经济属性。本文介绍了一种新的框架，用于从银行和非银行数据源中提取和识别重要特征，以应对这一挑战。我们提出了一个基于注意力的监督特征选择方法来选择重要的和相关的功能，最有助于客户的查询建立一个新的业务。我们报告了在从Kaggle和UCI机器学习存储库创建的公开可用数据集上进行的实验。
2021-05-09 cs.LG
FinGAN: Generative Adversarial Network for Analytical Customer Relationship Management in Banking and Insurance
Institute for Development and Research in Banking Technology（银行技术发展与研究所）；University of Hyderabad（海得拉巴大学）；Mathworks（MathWorks公司）
信用卡客户流失预测、保险欺诈检测和贷款违约预测是分析型客户关系管理中的重要问题。由于欺诈、流失和违约发生的频率较低，这些问题的数据集自然是高度不平衡的。因此，所有监督机器学习分类器在这种不平衡的数据集上训练时往往会产生大量的误报率。我们提出了两种数据平衡的方法。首先，我们提出了一种过采样的方法来产生合成样本的少数类生成对抗网络（GAN）。我们分别采用Vanilla GAN [1]、Wasserstein GAN [2]和CT GAN [3]对少数类样本进行过采样。为了评估我们所提出的方法的有效性，我们使用了许多机器学习分类器，包括随机森林，决策树，支持向量机（SVM）和逻辑回归对GANs平衡的数据。在第二种方法中，我们引入了一种混合方法来处理数据不平衡。在第二种方式中，我们通过使用一类支持活力机（OCSVM）获得的欠采样多数类数据来增强GAN过采样的合成少数类数据，从而同时利用欠采样和过采样的能力[4]。我们结合了GAN生成的过采样数据和OCSVM [4]欠采样的数据，并将结果数据传递给分类器。当我们将我们的结果与Farquad等人的结果进行比较时。[5]，Sundarkumar，Ravi和Siddeshwar [6]，我们提出的方法在所有数据集的ROC曲线下面积（AUC）方面优于以前的结果。
2022-01-27 cs.CE cs.LG cs.NE
Understand customer reviews with less data and in short time: pretrained language representation and active learning
GMF Assurances（GMF保险公司）
在本文中，我们解决客户评论理解问题，通过使用监督机器学习方法，以实现一个全自动的审查方面的分类和情感分析。通常，这种监督学习算法需要特定领域的专家知识来生成高质量的标记训练数据，并且标记的成本可能非常高。为了实现一个生产中的客户评论机器学习支持的分析工具，只有有限的数据量和合理的训练数据收集时间，我们建议使用预先训练的语言表示来提高模型性能和主动学习框架来加速迭代训练过程。结果表明，通过这两个组件的集成，可以更快地实现全自动的评论分析。
2019-10-29 cs.CL cs.LG stat.ML
A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data
Amazon Retails（亚马逊零售）；Amazon AWS（亚马逊云科技）
本文提出一种端到端基于Transformer的替代品推荐模型，将推荐转化为语言匹配问题并融合产品功能，通过新方法对弱监督行为信号去噪，支持多语言，在线A/B实验显示收入提升19%。
2023-04-08 cs.AI cs.CL cs.IR
Affordable Uplift: Supervised Randomization in Controlled Experiments
Humboldt-Universität zu Berlin（柏林洪堡大学）
客户评分模型是可扩展直复营销的核心。可持续发展模型提供了一个用于业务决策的治疗增量效益的估计。隆升模型的训练和监测需要实验数据。然而，在随机治疗分配下收集数据是昂贵的，因为随机靶向偏离了既定的靶向政策。为了提高实验的成本效益，方便频繁的数据汇集和模型训练，我们引入了监督随机化。这是一种新的方法，将现有的评分模型整合到随机试验中，以针对相关客户，同时通过对主动样本选择的校正来确保治疗效果的一致估计。经验蒙特卡罗研究表明，监督随机化下的数据汇集具有成本效益，而下游隆起模型具有竞争力。
2019-10-01 cs.LG stat.AP stat.ML
System Design for a Data-driven and Explainable Customer Sentiment Monitor
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Siemens Healthcare GmbH（西门子医疗有限公司）；University of Applied Sciences Amberg-Weiden（安贝格-魏登应用技术大学）；infoteam Software AG（infoteam软件股份公司）；Siemens Shanghai Medical Equipment Ltd.（西门子上海医疗设备有限公司）
客户服务最重要的目标是让客户满意。然而，服务资源总是有限的，必须优先考虑。因此，重要的是要确定哪些客户可能变得不满意，并可能导致升级。今天，这种客户优先级排序通常是手动完成的。用于机器健康监测的物联网数据（特别是日志数据）的数据科学，以及用于客户关系管理（CRM）的企业数据分析，主要是独立研究和应用的。在本文中，我们提出了一个数据驱动的决策支持系统的框架，该系统将物联网和企业数据相结合，对客户情绪进行建模。这样的决策支持系统可以帮助优先考虑客户和服务资源，以有效地解决问题，甚至避免问题。该框架应用于一个真实世界的案例研究与一个主要的医疗设备制造商。这包括一个完全自动化和可解释的机器学习管道，旨在满足领域专家和最终用户定义的要求。整个框架目前正在部署，从TB级的物联网和企业数据中学习和评估预测模型，以积极监控数千台高端医疗设备的客户情绪。此外，我们还为研究界提供了一个匿名的工业基准数据集。
2021-01-11 cs.AI cs.LG
Modeling Customer Engagement from Partial Observations
Temple University（天普大学）
对于一家公司来说，确定预计在未来一段时间内带来最大利润的客户是非常重要的。尽可能多地了解每个客户对于这种预测至关重要。然而，他们的人口统计数据、偏好和其他可能对建立忠诚度计划有用的信息往往缺失。此外，将不同客户之间的关系建模为网络可能有利于个人层面的预测，因为类似的客户往往具有类似的购买模式。我们解决这个问题，提出了一个强大的框架，结构化回归不足的数据在不断发展的网络与监督表示学习的基础上神经特征嵌入。新的方法相比，几个非结构化和结构化的替代品，用于预测客户行为（例如购买频率和客户票）的用户网络上产生的客户数据库的两个公司从不同的行业。所获得的结果表明，$4\%$ $130\%$的准确性提高了替代品时，所有的客户信息是已知的。此外，我们的方法的鲁棒性被证明时，高达$80\%$的人口统计信息丢失，它是高达几倍更准确的替代品相比，要么忽略的情况下，缺失值或学习他们的特征表示在一个无监督的方式。
2018-03-28 cs.LG stat.ML
Detection of Review Abuse via Semi-Supervised Binary Multi-Target Tensor Decomposition
Amazon（亚马逊）；Microsoft India（微软印度）
电子商务网站上的产品评论和评级为客户提供了有关产品各个方面的详细见解，例如质量，实用性等。由于它们影响客户的购买决策，产品评论已成为卖家滥用的沃土（与评论者勾结），以推广自己的产品或玷污竞争对手产品的声誉。在本文中，我们的重点是通过对产品评论数据应用张量分解来检测这种滥用实体（包括卖家和评论者）。虽然张量分解大部分是无监督的，但我们将我们的问题制定为半监督的二进制多目标张量分解，以利用目前已知的滥用实体。我们的经验表明，我们的多目标半监督模型实现了更高的精度和召回检测滥用实体相比，无监督技术。最后，我们表明，我们提出的随机部分自然梯度推断我们的模型经验达到更快的收敛速度比随机梯度和在线EM有足够的统计。
2019-05-23 cs.LG stat.ML
HierCat: Hierarchical Query Categorization from Weakly Supervised Data at Facebook Marketplace
Meta；University of Minnesota（明尼苏达大学）
在像Facebook Marketplace这样的客户对客户电子商务平台上，由于搜索意图的复杂性、真实数据中的噪声以及跨语言的不平衡训练数据，查询分类具有挑战性。它的部署还需要考虑可扩展性和下游集成方面的挑战，以便将建模进展转化为更好的搜索结果相关性。在本文中，我们提出了HierCat，Facebook Marketplace的查询分类系统。HierCat通过利用双编码器架构的多任务预训练和分层推理步骤来有效地从从自适应参与挖掘的弱监督训练数据中学习，从而解决了这些挑战。我们表明，HierCat不仅在离线实验中优于流行的方法，而且在在线A/B测试中，NDCG提高了1.4%，Facebook Marketplace Search的用户参与度提高了4.3%。
2023-02-22 cs.AI cs.IR cs.LG
An Effort to Measure Customer Relationship Performance in Indonesia's Fintech Industry
Telkom University（特尔孔大学）
社交媒体的可用性简化了公司与客户的关系。社会化客户关系管理（SCRM）是一种利用社交媒体吸引客户参与对话网络的努力。社交网络分析有助于了解网络特征以及社交媒体上的会话网络有多活跃。计算其网络属性有利于衡量客户关系绩效。金融科技是一个新兴的行业，提供基于数字的金融服务，利用社交媒体与客户互动。为了保持竞争力，需要测量SCRM的性能。因此，我们的目标是探索印度尼西亚金融科技公司的SCRM绩效。在发现会话网络中的市场主流思想方面，我们通过将其分类为积极和消极的意见来进行情感分析。作为案例研究，我们在2019年10月1日至11月1日的观察期内调查了有关GoPay，OVO，Dana和LinkAja的Twitter对话。这项研究的结果是有益的商业智能的目的，特别是在管理与客户的关系。
2021-02-16 cs.CY cs.LG cs.SI
Dynamic Resource Management for Providing QoS in Drone Delivery Systems
University of Toronto（多伦多大学）
无人机已被视为包裹递送的替代手段，以减少递送成本和时间。由于电池的限制，无人机最适合最后一英里的交付，即，从包裹配送中心（PDC）到客户的递送。由于典型的递送系统由多个PDC组成，每个PDC具有随机且随时间变化的需求，因此动态无人机到PDC分配在以有效的方式满足需求方面将是非常重要的。在本文中，我们研究了动态无人机分配问题的无人机交付系统的目标是提供可测量的服务质量（QoS）保证。我们采用一个模糊的理论方法来模拟客户服务的性质的问题。此外，我们采取深度强化学习的方法来获得一个动态的无人机重新分配的政策。该策略保证了在每个PDC中等待的包的队列长度的概率上限，这从服务提供商和客户的角度来看都是有益的。我们评估我们提出的算法的性能，考虑三个广泛的到达类，包括伯努利，时变伯努利，和马尔可夫调制伯努利到达。我们的研究结果表明，所提出的方法优于基线，特别是在时变和马尔可夫调制伯努利到达的情况下，这更能代表现实世界的需求模式。此外，我们的算法满足QoS约束，在所有研究的情况下，同时最大限度地减少使用中的无人机的平均数量。
2021-03-06 cs.LG cs.MA cs.RO
Subjectivity Classification using Machine Learning Techniques for Mining Feature-Opinion Pairs from Web Opinion Sources
Jamia Millia Islamia（贾米亚·米利亚伊斯兰大学）
由于Web 2.0的蓬勃发展，网络意见来源正在迅速涌现，其中包含对客户和制造商都有用的宝贵信息。最近，基于特征的意见挖掘技术正在获得动力，其中客户评论被自动处理，用于挖掘产品特征和用户对它们的意见。然而，客户评论可能包含固执己见和事实的句子。事实内容的提取通过防止噪声和不相关的提取来提高挖掘性能。本文提出了一种结合监督机器学习和基于规则的方法从主观评论句中挖掘可行的特征-意见对的方法。在所提出的方法的第一阶段，监督机器学习技术被应用于分类的主观和客观的句子从客户评论。在下一阶段，实施基于规则的方法，该方法应用文本的语言和语义分析，从第一阶段后保留的主观句子中挖掘可行的特征-意见对。所提出的方法的有效性，建立通过实验对不同的电子产品的客户评论。
2013-12-25 cs.CL cs.IR cs.LG
Predicting customer's gender and age depending on mobile phone data
SyriaTel Telecom Company（叙利亚电信公司）
在数据驱动的解决方案时代，客户人口统计属性（如性别和年龄）发挥着核心作用，可以使公司能够增强其服务的提供，并在正确的时间和地点瞄准正确的客户。在营销活动中，这些公司希望将目标对准GSM（全球移动通信系统）的真正用户，而不是线路所有者。有时候它们可能不一样。本文提出了一种根据用户的行为、服务和合同信息来预测用户性别和年龄的方法。我们使用呼叫详细记录（CDR）、客户关系管理（CRM）和计费信息作为数据源来分析电信客户行为，并应用不同类型的机器学习算法来为营销活动提供更准确的客户人口统计属性信息。该模型使用SyriaTel电信公司提供的18，000个用户的可靠数据集构建，用于训练和测试。该模型利用大数据技术进行应用，在用户性别预测和用户年龄预测方面的准确率分别达到85.6%和65.5%。这项工作的主要贡献是提高了基于手机数据的用户性别预测和用户年龄预测的准确性，以及从多个方面处理电信领域客户数据的端到端解决方案。
2019-02-20 cs.CY cs.LG stat.ML
Churn analysis using deep convolutional neural networks and autoencoders
True Corporation Public Company Limited（True Corporation 大众有限公司）；King Mongkut's University of Technology Thonburi（吞武里蒙固国王理工大学）；International Business Machines Corporation（国际商业机器公司）
客户时间行为数据表示为图像，以便通过利用图像分类中突出的深度学习架构来执行流失预测。使用深度卷积神经网络对超过600万客户的标记数据进行了监督学习，在测试数据集上使用每个客户不超过12个时间特征实现了0.743的AUC。使用自动编码器进行无监督学习，以更好地了解客户流失的原因。最大限度地激活自动编码器的隐藏单元的图像与流失的客户一起训练，揭示了采取行动的充分机会，以防止强数据，无语音用户之间的流失。
2016-04-18 cs.LG cs.NE stat.ML
Self-supervised Machine Learning Based Approach to Orbit Modelling Applied to Space Traffic Management
Universidad Politécnica de Madrid（马德里理工大学）；Universidad Rey Juan Carlos（胡安卡洛斯国王大学）；CNES（法国国家空间研究中心）
受NLP领域BERT类自监督模型启发，提出轨道预训练模型ORBERT，利用大量无标注轨道数据学习表征以提升空间交通管理任务性能，在全对象碰撞筛查任务中验证了其对标注数据有限场景的增益。
2023-12-11 cs.LG physics.space-ph
Predicting and Explaining Customer Data Sharing in the Open Banking
Federal University of Rio Grande do Sul（南里奥格兰德州联邦大学）；Ghent University（根特大学）；Fundação Getúlio Vargas（热图利奥·瓦加斯基金会）
本研究基于320万巴西银行客户数据，结合ADASYN与NEARMISS平衡策略训练XGBoost模型预测开放银行数据共享倾向，并通过SHAP与CART揭示移动端参与度和信贷特征是关键驱动因素。
2025-06-28 cs.LG q-fin.GN
Classifying variety of customer's online engagement for churn prediction with mixed-penalty logistic regression
利用大数据分析消费者行为可以为客户关系管理（CRM）中防止客户流失（流失）提供有效的决策工具。关注具有影响客户异质性的几种不同类别因素的CRM数据集（即，自助服务渠道的使用、服务持续时间和对营销行动的响应），我们提供了基于机器学习方法的客户流失率的新预测分析，该方法通过添加混合惩罚项来增强逻辑斯谛回归的分类。提出的惩罚性逻辑斯谛回归可以防止处理大数据时的过拟合，并在平衡中位数（绝对值）和均值（平方值）正则化的成本时最小化损失函数。我们展示了所提出的方法的分析特性及其在本研究中的计算优势。此外，我们研究了所提出的方法的性能与CRM数据集（具有大量的功能）在不同的设置下，有效地消除干扰（1）最不重要的功能和（2）敏感性从少数（流失）类。我们的实证结果证实了所提出的方法的预期性能完全符合常见的分类标准（即，准确度、精确度和召回率）来评估机器学习方法。
2021-07-13 cs.LG econ.EM stat.ML
Federated Self-Supervised Learning for Acoustic Event Classification
Massachusetts Institute of Technology（麻省理工学院）；Amazon.com Inc（亚马逊公司）
标准声学事件分类（AEC）解决方案需要从客户端设备大规模收集数据以进行模型优化。联邦学习（FL）是一个引人注目的框架，它将数据汇集和模型训练结合起来，以增强客户隐私。在这项工作中，我们调查的可行性，应用FL，以提高AEC性能，而没有客户数据可以直接上传到服务器。我们假设没有伪标签可以从设备上的用户输入中推断出来，与AEC的典型用例保持一致。我们将自监督学习适应于FL框架，用于表示的设备上持续学习，并且在没有标记/伪标记数据的情况下，它可以提高下游AEC分类器的性能。与基线w/o FL相比，该方法在保持召回率的同时，相对提高了准确率高达20.3%。我们的工作与FL之前的工作不同，因为我们的方法不需要用户生成的学习目标，我们使用的数据是从我们的Beta程序中收集的，并且是去识别的，以最大限度地模拟生产环境。
2022-03-22 cs.LG cs.SD eess.AS
Beyond Opinion Mining: Summarizing Opinions of Customer Reviews
Google Research（谷歌研究院）；Grammarly；Megagon Labs（Megagon实验室）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在信息时代，客户评论对于做出购买决策至关重要。这样的评论可以被自动总结以向用户提供意见的概览。在本教程中，我们将介绍对研究人员和从业人员有用的意见摘要的各个方面。首先，我们将介绍任务和主要挑战。然后，我们将介绍现有的意见摘要解决方案，包括前神经和神经。我们将讨论如何在无监督、Few-Shot和监督机制下训练总结器。每种机制都源于不同的机器学习方法，例如自动编码、可控文本生成和变分推理。最后，我们将讨论资源和评估方法，并总结未来的发展方向。这三个小时的教程将提供一个全面的概述意见总结的主要进展。听众将拥有对研究和实际应用都有用的知识。
2022-06-03 cs.AI cs.CL cs.LG
Duplicate Detection with GenAI
ZEISS Digital Partners（蔡司数字伙伴）
针对客户关系管理系统中人工录入导致的重复数据问题，本文提出利用大语言模型与生成式AI进行重复记录识别和修复，在基准数据集上将去重准确率从传统NLP方法的30%提升至近60%。
2024-06-17 cs.CL cs.DB cs.LG
A data-driven approach for discovering heat load patterns in district heating
Center for Applied Intelligent Systems Research, Halmstad University（哈尔姆斯塔德大学应用智能系统研究中心）；Öresundskraft（厄勒松电力公司）；School of Business, Engineering and Science, Halmstad University（哈尔姆斯塔德大学工商与工程科学学院）
了解客户的热量使用情况对于有效的区域供热运营和管理至关重要。不幸的是，现有的知识客户和他们的热负荷行为是相当稀缺的。大多数以前的研究仅限于小规模的分析，不足以代表整个网络的行为。在这项工作中，我们提出了一种数据驱动的方法，使大规模的自动分析区域供热网络中的热负荷模式，而不需要先验知识。我们的方法聚类的客户配置文件到不同的组，提取他们的代表性模式，并检测不寻常的客户的配置文件偏离显着从他们的组的其余部分。使用我们的方法，我们提出了第一个大规模的，全面的热负荷模式进行案例研究，在六个不同的客户类别连接到两个区域供热网络在瑞典南部的许多建筑物。这1222座建筑物的总建筑面积为340万平方米，2016年使用了1540 TJ热量。结果表明，该方法具有很高的潜力，部署和使用在实践中，以分析和了解客户的用热习惯。
2019-09-18 cs.CE cs.LG stat.ML
