New User Event Prediction Through the Lens of Causal Inference
从因果推断视角预测新用户事件AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以处理、混杂、反事实结局和逆倾向分数重构事件预测问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
从因果推断视角预测新用户事件
- 研究问题
- 面对行为模式异质、历史记录很少的新用户，如何在不知道用户类别的情况下预测未来离散事件，并缓解类别混杂？
- 方法与思路
- 作者将事件历史视为处理、用户类别视为混杂因素，把预测写成反事实结局估计问题，并按逆倾向分数对事件加权。
- 材料陈述的贡献
- 摘要称，所提框架无需预先知道用户类别，模拟及 Netflix 评分、Amazon 客服卖家联系预测应用显示预测表现改善。
- 阅读关注点
- 应核对事件历史对应的反事实如何定义、未知类别下倾向分数如何获得，以及预测验证是否避免使用未来信息。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明混杂识别和倾向分数估计条件，预测改善不单独验证因果解释。
原文摘要
Modeling and analysis for event series generated by users of heterogeneous behavioral patterns are closely involved in our daily lives, including credit card fraud detection, online platform user recommendation, and social network analysis. The most commonly adopted approach to this task is to assign users to behavior-based categories and analyze each of them separately. However, this requires extensive data to fully understand the user behavior, presenting challenges in modeling newcomers without significant historical knowledge. In this work, we propose a novel discrete event prediction framework for new users with limited history, without needing to know the user's category. We treat the user event history as the "treatment" for future events and the user category as the key confounder. Thus, the prediction problem can be framed as counterfactual outcome estimation, where each event is re-weighted by its inverse propensity score. We demonstrate the improved performance of the proposed framework with a numerical simulation study and two real-world applications, including Netflix rating prediction and seller contact prediction for customer support at Amazon.