知识卡片
LTV预测的双层CNN-LSTM嵌套结构
内容
作为[[LTV计算方法的五级演进]]中最强的模型，为捕捉购买行为在”星期”和”星期内时序”两个尺度的周期性，网络设计成里外两层：内层用一维卷积抽取每周内局部特征，再接LSTM压缩成向量；外层把每周向量用双向LSTM沿星期串起来，接全连接层输出预测值。这种”先局部编码、再跨周期聚合”的嵌套结构，是处理多重周期性序列数据的通用思路，不限于LTV。
参考来源
- 位置：《数据科学工程实践》第3章《洞察用户长期价值：基于神经网络的LTV建模》"3.2.3 输入数据的准备"及模型构造小节（源文件：_epub-src/OEBPS/Text/part0019.xhtml）
- 结论依据：原文说明数据组织为"（星期，时序，特征）"形式，内部模型"两层卷积加两层LSTM"，外部模型"将内部模型应用在周粒度的时间步上，之后接入双向LSTM，最后连到全连接网络，并给出输出值"，TimeDistributed把内部模型"应用到每一个时间片上（这里的时间片指的是外部的长周期，即这里的星期）"。
- 原始内容：我们这里使用到一种（星期，时序，特征）的数据组织形式……图3-4中显示了两层卷积加两层LSTM……我们把内部模型通过TimeDistributed应用到数据上。TimeDistributed是一个特殊的封装器，能把内部模型应用到每一个时间片上（这里的时间片指的是外部的长周期，即这里的星期）……外部模型将内部模型应用在周粒度的时间步上，之后接入双向LSTM，最后连到全连接网络，并给出输出值。