这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

微信小游戏用户终身价值预测的创新框架：GREPO-LTV

一、作者与发表信息

本研究由香港科技大学（广州）的Aochuan Chen、Yifan Niu、Ziqi Gao、Yang Liu及Jia Li（通讯作者），与腾讯公司的Yujie Sun、Shoujun Liu、Gong Chen合作完成，发表于ACM SIGKDD 2025会议（KDD ‘25），论文标题为《Mini-Game Lifetime Value Prediction in WeChat》。

二、学术背景

研究领域：本研究属于计算广告学（computational advertising）与用户行为预测的交叉领域，核心任务是用户终身价值预测（Lifetime Value Prediction, LTV），即预测用户对特定商品或服务的长期消费贡献。

研究动机：在游戏广告投放中，精准的LTV预测能优化广告策略，但面临两大挑战：
1. 数据稀疏性：用户购买转化率极低（仅0.1%），导致训练信号不足；
2. 多任务冲突：不同时间跨度（如3天、7天、30天）的LTV预测任务高度相关，但传统模型难以平衡短期与长期预测的准确性。

研究目标：提出GREPO-LTV框架，结合图表示学习（Graph Representation Learning, GRL）与帕累托优化（Pareto Optimization），解决数据稀疏性与多任务冲突问题。

三、研究流程与方法

1. 图表示学习（GRL）缓解数据稀疏性

• 数据构建：基于微信小游戏平台的用户-游戏交互数据（373万样本），构建同构图（用户-用户、游戏-游戏）和二分图（用户-游戏）。
  
• 无监督学习：通过掩码重建任务学习节点嵌入（node embeddings），损失函数包含边重建损失（edge reconstruction）和属性重建损失（attribute reconstruction）。
  
• 创新点：引入元路径（meta-path）捕捉高阶关系（如“用户-游戏-用户”），增强稀疏数据下的协同信号（collaborative signal）。
  

2. GREPO-LTV模型架构

模型包含四层核心组件：
- 编码层（Encoding Layer）：处理用户与游戏的分类特征，通过Field-Weighted Factorization Machine（FWFM）建模跨域交互。
- 适配层（Adaptation Layer）：结合EPNet（门控神经网络）与分区归一化（Partitioned Norm），解决领域偏移问题。
- 时序兴趣网络（TIN Module）：捕捉用户行为序列的时序模式，增强目标游戏特征的关联性。
- 塔层（Tower Layer）：采用零膨胀对数正态分布（Zero-Inflated Lognormal, ZILN）处理长尾分布，输出多时间跨度的LTV预测。

3. 帕累托优化平衡多任务冲突

• 非支配梯度下降（Non-Dominating Gradient Descent）：通过二次规划（QP）求解梯度冲突，生成平衡短期与长期目标的优化方向。
  
• 最优搜索（Optimal Search）：在帕累托前沿（Pareto Front）上搜索最优权重分配，确保模型在所有时间跨度上均表现优异。
  

四、主要结果

1. 离线实验

• 评估指标：归一化平均绝对误差（NMAE）、AUC、归一化基尼系数（N-Gini）。
  
• 性能对比：GREPO-LTV在3/7/30天预测任务中均显著优于基线模型（如TCN、LSTM、DeepFM），NMAE平均降低14%，AUC提升3.6%。
  
• 数据稀疏性测试：当训练数据减少80%时，GREPO-LTV的N-Gini仅下降0.1，而基线模型下降0.3，验证了GRL的有效性。
  

2. 在线A/B测试

• 工业指标：平均交易总额（GMV）提升8.4%，短期（3天）LTV预测改进最显著（+9.91%）。
  
• 稳定性：模型更新后的预测波动（diff值）比基线低50%，证明其鲁棒性。
  

五、结论与价值

科学价值：
1. 提出首个结合图表示学习与帕累托优化的LTV预测框架，为稀疏数据下的多任务学习提供新范式；
2. 验证了协同信号与梯度冲突管理在工业场景中的重要性。

应用价值：
1. 为腾讯微信小游戏广告的精准投放提供技术支持；
2. 框架可扩展至其他高稀疏性场景（如电商、金融）。

六、研究亮点

1. 创新方法：GRL与帕累托优化的联合设计，解决了LTV预测的两大核心挑战；
   
2. 工业验证：通过离线和在线实验，证明了框架的实用性与稳定性；
   
3. 开源贡献：虽未公开数据集，但方法细节（如ZILN损失函数、TIN模块）为后续研究提供参考。
   

七、其他发现

• 用户分组偏差：模型对低LTV用户存在高估倾向，而对高LTV用户（>500元）低估，这一现象在长期预测中更缓和（见表A1）。
  
• 部署经验：建议在游戏生命周期关键事件（如上线首日）增加数据采集频率，以应对分布偏移。
  

以上报告完整涵盖了研究的背景、方法、结果与价值，可作为学术交流或工业应用的参考依据。