МЕТОД ІТЕРАЦІЙНОГО СТВОРЕННЯ ОЗНАК НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ ВІДТОКУ
DOI: 10.31673/2786-8362.2025.024380
Анотація
У статті запропоновано метод ітераційного
створення ознак із використанням великих мовних моделей (LLM) для підвищення ефективності
прогнозування відтоку клієнтів у SaaS-платформах. Запропонований підхід поєднує LLM-генератор
і LLM-критик у замкненому контурі зворотного зв’язку, що забезпечує багатокрокове
вдосконалення та відбір релевантних ознак на основі показників якості моделі. Експериментальні
результати на даних стрімінгової платформи показали підвищення F1-міри у порівнянні з базовим
підходом. Експериментальні результати підтверджують ефективність ітераційного використання
LLM для автоматизації створення ознак і підвищення точності моделей прогнозування відтоку
користувачів.
Ключові слова: прогнозування відтоку, великі мовні моделі, створення ознак, машинне
навчання, штучний інтелект
Список використаної літератури
1. Suguna R., Suriya P., Pai H. A. et al. Mitigating class imbalance in churn prediction with
ensemble methods and SMOTE. Scientific Reports. 2025. Vol. 15. P. 16256. URL:
https://doi.org/10.1038/s41598-025-01031-0.
2. Noviandy T. R., Idroes G. M., Hardi I. et al. A model-agnostic interpretability approach to
predicting customer churn in the telecommunications industry. Infolitika Journal of Data Science.
2024. Vol. 2, no. 1. P. 34–44. URL: https://doi.org/10.60084/ijds.v2i1.199.
3. ChurnKB: A Generative AI-Enriched Knowledge Base for Customer Churn Feature
Engineering. Algorithms. 2025. Vol. 18, no. 4. P. 238. URL: https://doi.org/10.3390/a18040238.
4. Large Language Models Can Automatically Engineer Features for Few-Shot Tabular
Learning. arXiv preprint. 2024. URL: https://arxiv.org/abs/2404.09491.
5. Imani M., Joudaki M., Beikmohammadi A., Arabnia H. R. Customer churn prediction: a
systematic review of recent advances, trends, and challenges in machine learning and deep learning.
Machine Learning and Knowledge Extraction. 2025. Vol. 7, no. 3. P. 105. URL:
https://doi.org/10.3390/make7030105.
6. Hegselmann S., Buendia A., Lang H., Agrawal M., Jiang X., Sontag D. TabLLM: Few-shot
classification of tabular data with large language models. arXiv preprint. 2022. URL:
https://doi.org/10.48550/arXiv.2210.10723.
7. Gong N., Wang X., Ying W., Bai H., Dong S., Chen H., Fu Y. Unsupervised feature
transformation via in-context generation, generator-critic LLM agents, and duet-play teaming. arXiv
preprint. 2025. URL: https://arxiv.org/abs/2504.21304.
8. Zhao H., Chen H., Yang F., Liu N., Deng H., Cai H., Wang S., Yin D., Du M. Explainability
for large language models: a survey. ACM Transactions on Intelligent Systems and Technology. 2024.
Vol. 15, no. 2. URL: https://doi.org/10.1145/3639372.
9. Zhang X., Zhang J., Rekabdar B., Zhou Y., Wang P., Liu K. Dynamic and adaptive feature
generation with LLM. arXiv preprint. 2024. URL: https://arxiv.org/abs/2406.03505.
10. Kaggle dataset: Predictive Analytics for Customer Churn Dataset. URL:
https://www.kaggle.com/datasets/safrin03/predictive-analytics-for-customer-churn-dataset.
