大规模用户游戏生命周期表征学习

基于摘要分析。该研究面向在线游戏平台的游戏广告与推荐，针对游戏数量较少导致的行为稀疏，以及用户行为集中于少数热门游戏造成的分布不均衡，提出 User Game Lifecycle（UGL）表征学习，以增强用户游戏兴趣的建模。 核心机制包括：用 UGL 丰富用户游戏行为；通过两种行为处理策略提取短期与长期兴趣；采用 Inverse Probability Masking 缓解游戏不均衡。摘要未说明生命周期的具体定义、两种策略的操作方式、掩码概率的估计方法，也未披露模型结构、损失函数及训练流程，相关细节尚未验证。 作者报告，在游戏广告任务中，离线 AUC 平均提升 1.83%，线上 CVR 平均提升 21.67%；在游戏内道具推荐任务中，离线 AUC 提升 0.5%，线上 ARPU 提升 0.82%。这些数字分别属于不同任务及离线、线上评估，不能直接横向比较。摘要未明确提升是相对变化还是百分点变化，也未提供对照基线、数据划分、线上实验周期与统计不确定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可借鉴点是对稀疏序列构造更丰富的状态表征，以及通过概率相关掩码调节不均衡输入的学习机会，而非已经验证的 BCI 方法。若 UGL 依赖用户长期行为轨迹与游戏热度统计，则迁移到 EEG 需要重新定义事件或状态单元、时间尺度及掩码概率；原摘要不足以确认这些依赖与实现。EEG 的低信噪比、被试和通道差异、小样本条件可能使概率估计不稳定，掩码也可能删除关键神经活动。待机制明确后，可在固定被试内划分与同一编码器下，对比随机掩码和 Inverse Probability Masking，检验类别不均衡条件下的 Balanced Accuracy 及跨随机种子稳定性。已有 EEG 相关工作尚未检索确认。