基于集成森林元学习网络的客户流失预测

为解决树模型在客户流失预测任务中较难捕捉时序特征的问题,提出了基于集成森林元学习网络(ensemble forest meta-learning network,EFML)的流失预测方法。首先通过分组等策略进行数据提质,并结合下采样技术解决样本类别不平衡问题。然后,基于EFML的语义图构造器构建用户时序特征的语义向量,以描绘用户细粒度行为,形成语义图并显式融合。最后,训练多个基础树模型作为元学习器-多层感知机(multilayer perceptron,MLP)的输入,生成综合的流失预测结果。实验证明,EFML能充分挖掘客户历史行为差异,捕获和学习基础树模型间的互补关系,相对于随机森林(random forest,RF),其AUC提升2.7%,AP提升3.7%,预测精度提升显著。该框架结合树模型和微观特征,具备卓越的解释性,为运营商实现更精细的用户化管理提供新视角。