English(EN) Machine Learning to Predict Digital Frustration from Clickstream Data

机器学习从点击流数据预测用户挫败感

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了机器学习模型，利用点击流数据预测电子商务会话中的用户挫败感。该研究将挫败感定义为诸如愤怒爆发和过度导航等特定用户行为。XGBoost 和长短期记忆 (LSTM) 分类器均在数百万个数据点上进行了训练，其中 LSTM 取得了更高的准确率和 AUC 分数。值得注意的是，LSTM 模型证明了仅使用用户最初的 20 到 30 次交互即可可靠预测挫败感的能力。 AI

影响这项研究可以使企业能够实时主动地识别和解决用户挫败感，从而改善客户体验和转化率。

排序理由学术论文，详细介绍了一种新的机器学习方法来预测用户挫败感。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 34 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种新的机器学习方法来预测用户挫败感。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jibin Joseph · 2026-11-11 05:00

利用机器学习从点击流数据预测数字挫败感

arXiv:2512.20438v2 Announce Type: replace Abstract: Many businesses depend on their mobile apps and websites, so user frustration while trying to complete a task on these channels can cause lost sales and complaints. In this research, I use clickstream data from a real e-commerce…

本文如何被排名

报道来源 [1]

利用机器学习从点击流数据预测数字挫败感

相关实体

相关话题