基于Stacking集成学习的用户付费转化意向预测方法研究--以免费增值游戏为例

作     者：李美玉 刘洋 王艺璇 朱庆华 Li Meiyu;Liu Yang;Wang Yixuan;Zhu Qinghua

作者机构：南京大学信息管理学院南京210023 

出 版 物：《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)

年 卷 期：2024年第8卷第2期

页      面：143-154页

核心收录：

学科分类：12[管理学] 1205[管理学-图书情报与档案管理] 120501[管理学-图书馆学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 120502[管理学-情报学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金面上项目(项目编号:72174083)的研究成果之一 

主　　题：Stacking集成学习 模型融合 免费增值模式 付费意向 可移植性 

摘      要：【目的】提出基于Stacking集成学习预测用户付费转化意向的模型,精准识别潜在付费用户。【方法】基于Stacking集成学习方法构建付费意向预测模型,通过对比不同基模型组合预测效果确定基模型组合方案,借助游戏玩家行为数据集验证模型优越性,并进行可移植性验证。【结果】本文模型预测准确率达90.88%,F1值90.71%,AUC值0.9602,相对于对比模型中表现最差的Bayesian模型在三种指标上分别提升4.15个百分点、4.50个百分点和0.1062。【局限】无法预测玩家是否会产生非理性消费行为。【结论】本研究验证了游戏付费情境下Stacking集成学习方法的适用性,多模型的融合可以获得稳定、准确的付费意向预测结果,并证明了模型在预测不同领域用户付费意向上具备可移植性。