IT SPU \u0e0a\u0e27\u0e19\u0e2d\u0e48\u0e32\u0e19\u0e07\u0e32\u0e19\u0e27\u0e34\u0e08\u0e31\u0e22\u0e40\u0e1b\u0e34\u0e14\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e08\u0e23\u0e34\u0e07 \u0e2a\u0e23\u0e49\u0e32\u0e07\u0e21\u0e32\u0e15\u0e23\u0e10\u0e32\u0e19\u0e43\u0e2b\u0e21\u0e48\u0e43\u0e2b\u0e49\u0e17\u0e35\u0e21\u0e2a\u0e15\u0e23\u0e35\u0e21\u0e21\u0e34\u0e07\u0e40\u0e02\u0e49\u0e32\u0e16\u0e36\u0e07\u0e01\u0e32\u0e23\u0e40\u0e23\u0e35\u0e22\u0e19\u0e23\u0e39\u0e49\u0e14\u0e49\u0e32\u0e19 \u201cretention modeling\u201d \u0e44\u0e14\u0e49\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e42\u0e1b\u0e23\u0e48\u0e07\u0e43\u0e2a\u0e41\u0e25\u0e30\u0e17\u0e33\u0e0b\u0e49\u0e33\u0e44\u0e14\u0e49
\n\u0e43\u0e19\u0e2a\u0e19\u0e32\u0e21\u0e41\u0e02\u0e48\u0e07\u0e02\u0e31\u0e19\u0e02\u0e2d\u0e07\u0e41\u0e1e\u0e25\u0e15\u0e1f\u0e2d\u0e23\u0e4c\u0e21\u0e2a\u0e15\u0e23\u0e35\u0e21\u0e21\u0e34\u0e07 \u0e27\u0e31\u0e19\u0e19\u0e35\u0e49\u0e40\u0e01\u0e21\u0e44\u0e21\u0e48\u0e44\u0e14\u0e49\u0e27\u0e31\u0e14\u0e01\u0e31\u0e19\u0e17\u0e35\u0e48\u0e1c\u0e39\u0e49\u0e43\u0e0a\u0e49\u0e43\u0e2b\u0e21\u0e48 \u0e41\u0e15\u0e48\u0e17\u0e35\u0e48\u0e43\u0e04\u0e23 \u201c\u0e2d\u0e22\u0e39\u0e48\u0e15\u0e48\u0e2d\u201d \u0e2b\u0e23\u0e37\u0e2d \u201c\u0e22\u0e01\u0e40\u0e25\u0e34\u0e01\u0e40\u0e07\u0e35\u0e22\u0e1a\u0e46\u201d \u0e07\u0e32\u0e19\u0e27\u0e34\u0e08\u0e31\u0e22\u0e43\u0e2b\u0e21\u0e48\u0e43\u0e19\u0e27\u0e32\u0e23\u0e2a\u0e32\u0e23 Discover Artificial Intelligence \u0e02\u0e2d\u0e07 Jinmei Chen \u0e41\u0e25\u0e30 Dongye Chen \u0e40\u0e2a\u0e19\u0e2d\u0e04\u0e33\u0e15\u0e2d\u0e1a\u0e40\u0e0a\u0e34\u0e07\u0e27\u0e34\u0e28\u0e27\u0e01\u0e23\u0e23\u0e21\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e17\u0e35\u0e48\u0e15\u0e23\u0e27\u0e08\u0e2a\u0e2d\u0e1a\u0e44\u0e14\u0e49\u0e08\u0e23\u0e34\u0e07: \u0e1e\u0e22\u0e32\u0e01\u0e23\u0e13\u0e4c\u0e01\u0e32\u0e23\u0e04\u0e07\u0e2d\u0e22\u0e39\u0e48\u0e02\u0e2d\u0e07\u0e1c\u0e39\u0e49\u0e43\u0e0a\u0e49\u0e14\u0e49\u0e27\u0e22\u0e01\u0e23\u0e2d\u0e1a\u0e01\u0e32\u0e23\u0e17\u0e33\u0e07\u0e32\u0e19\u0e04\u0e23\u0e1a\u0e16\u0e49\u0e27\u0e19 \u0e1a\u0e19\u0e0a\u0e38\u0e14\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e2a\u0e32\u0e18\u0e32\u0e23\u0e13\u0e30 \u0e44\u0e21\u0e48\u0e1e\u0e36\u0e48\u0e07\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e1b\u0e34\u0e14\u0e02\u0e2d\u0e07\u0e2d\u0e38\u0e15\u0e2a\u0e32\u0e2b\u0e01\u0e23\u0e23\u0e21
\n\u0e2b\u0e31\u0e27\u0e43\u0e08\u0e02\u0e2d\u0e07\u0e07\u0e32\u0e19\u0e04\u0e37\u0e2d\u0e01\u0e32\u0e23\u0e15\u0e31\u0e49\u0e07\u0e40\u0e27\u0e17\u0e35\u0e17\u0e35\u0e48\u0e22\u0e38\u0e15\u0e34\u0e18\u0e23\u0e23\u0e21\u0e41\u0e25\u0e30\u0e17\u0e33\u0e0b\u0e49\u0e33\u0e44\u0e14\u0e49\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e17\u0e14\u0e2a\u0e2d\u0e1a\u0e42\u0e21\u0e40\u0e14\u0e25\u0e1e\u0e22\u0e32\u0e01\u0e23\u0e13\u0e4c\u0e01\u0e32\u0e23\u0e40\u0e25\u0e34\u0e01\u0e43\u0e0a\u0e49\u0e07\u0e32\u0e19 (churn) \u0e42\u0e14\u0e22\u0e43\u0e0a\u0e49 MovieLens 1M \u0e0b\u0e36\u0e48\u0e07\u0e21\u0e35\u0e40\u0e23\u0e15\u0e15\u0e34\u0e49\u0e07 1,000,209 \u0e23\u0e32\u0e22\u0e01\u0e32\u0e23 \u0e08\u0e32\u0e01\u0e1c\u0e39\u0e49\u0e43\u0e0a\u0e49 6,040 \u0e04\u0e19 \u0e41\u0e25\u0e30\u0e20\u0e32\u0e1e\u0e22\u0e19\u0e15\u0e23\u0e4c 3,952 \u0e40\u0e23\u0e37\u0e48\u0e2d\u0e07 (\u0e1b\u0e35 2000\u20132003) \u0e1c\u0e39\u0e49\u0e43\u0e0a\u0e49\u0e17\u0e38\u0e01\u0e04\u0e19\u0e43\u0e2b\u0e49\u0e40\u0e23\u0e15\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e19\u0e49\u0e2d\u0e22 20 \u0e04\u0e23\u0e31\u0e49\u0e07 \u0e17\u0e33\u0e43\u0e2b\u0e49\u0e21\u0e35\u0e1b\u0e23\u0e30\u0e27\u0e31\u0e15\u0e34\u0e1e\u0e24\u0e15\u0e34\u0e01\u0e23\u0e23\u0e21\u0e40\u0e1e\u0e35\u0e22\u0e07\u0e1e\u0e2d \u0e19\u0e34\u0e22\u0e32\u0e21 \u201c\u0e04\u0e07\u0e2d\u0e22\u0e39\u0e48\u201d \u0e21\u0e32\u0e08\u0e32\u0e01\u0e40\u0e01\u0e13\u0e11\u0e4c\u0e44\u0e21\u0e48\u0e21\u0e35\u0e1b\u0e0f\u0e34\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e40\u0e01\u0e34\u0e19 30 \u0e27\u0e31\u0e19 \u0e2b\u0e32\u0e01\u0e0a\u0e48\u0e2d\u0e07\u0e27\u0e48\u0e32\u0e07\u0e23\u0e30\u0e2b\u0e27\u0e48\u0e32\u0e07\u0e2a\u0e2d\u0e07\u0e01\u0e34\u0e08\u0e01\u0e23\u0e23\u0e21\u0e25\u0e48\u0e32\u0e2a\u0e38\u0e14\u0e40\u0e01\u0e34\u0e19 30 \u0e27\u0e31\u0e19\u0e08\u0e30\u0e16\u0e39\u0e01\u0e08\u0e31\u0e14\u0e40\u0e1b\u0e47\u0e19 churn \u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e21\u0e35\u0e04\u0e27\u0e32\u0e21\u0e44\u0e21\u0e48\u0e2a\u0e21\u0e14\u0e38\u0e25\u0e23\u0e30\u0e14\u0e31\u0e1a\u0e1b\u0e32\u0e19\u0e01\u0e25\u0e32\u0e07 (\u0e04\u0e07\u0e2d\u0e22\u0e39\u0e48 59.8% \/ churn 40.2%) \u0e08\u0e36\u0e07\u0e1b\u0e23\u0e30\u0e40\u0e21\u0e34\u0e19\u0e14\u0e49\u0e27\u0e22\u0e40\u0e21\u0e15\u0e23\u0e34\u0e01\u0e2b\u0e25\u0e32\u0e22\u0e21\u0e34\u0e15\u0e34 \u0e44\u0e21\u0e48\u0e22\u0e36\u0e14\u0e15\u0e34\u0e14\u0e41\u0e04\u0e48\u0e04\u0e27\u0e32\u0e21\u0e41\u0e21\u0e48\u0e19\u0e22\u0e33
\n\u0e01\u0e32\u0e23\u0e2a\u0e23\u0e49\u0e32\u0e07\u0e04\u0e38\u0e13\u0e25\u0e31\u0e01\u0e29\u0e13\u0e30 (feature engineering) \u0e41\u0e1a\u0e48\u0e07\u0e40\u0e1b\u0e47\u0e19 4 \u0e01\u0e25\u0e38\u0e48\u0e21: \u0e1e\u0e24\u0e15\u0e34\u0e01\u0e23\u0e23\u0e21 (\u0e04\u0e48\u0e32\u0e40\u0e09\u0e25\u0e35\u0e48\u0e22\/\u0e04\u0e27\u0e32\u0e21\u0e41\u0e1b\u0e23\u0e1b\u0e23\u0e27\u0e19\u0e02\u0e2d\u0e07\u0e40\u0e23\u0e15\u0e15\u0e34\u0e49\u0e07), \u0e40\u0e27\u0e25\u0e32 (\u0e04\u0e27\u0e32\u0e21\u0e16\u0e35\u0e48\u0e01\u0e32\u0e23\u0e43\u0e2b\u0e49\u0e40\u0e23\u0e15 \u0e0a\u0e48\u0e27\u0e07\u0e2b\u0e48\u0e32\u0e07\u0e23\u0e30\u0e2b\u0e27\u0e48\u0e32\u0e07\u0e40\u0e23\u0e15 \u0e01\u0e34\u0e08\u0e01\u0e23\u0e23\u0e21\u0e25\u0e48\u0e32\u0e2a\u0e38\u0e14 \u0e14\u0e31\u0e0a\u0e19\u0e35 binge \u0e43\u0e19\u0e27\u0e31\u0e19\u0e40\u0e14\u0e35\u0e22\u0e27), \u0e40\u0e19\u0e37\u0e49\u0e2d\u0e2b\u0e32 (\u0e40\u0e27\u0e01\u0e40\u0e15\u0e2d\u0e23\u0e4c\u0e04\u0e27\u0e32\u0e21\u0e0a\u0e2d\u0e1a\u0e41\u0e19\u0e27\u0e20\u0e32\u0e1e\u0e22\u0e19\u0e15\u0e23\u0e4c\u0e41\u0e25\u0e30\u0e04\u0e27\u0e32\u0e21\u0e2b\u0e25\u0e32\u0e01\u0e2b\u0e25\u0e32\u0e22\u0e15\u0e32\u0e21\u0e04\u0e48\u0e32\u0e40\u0e2d\u0e19\u0e42\u0e17\u0e23\u0e1b\u0e35) \u0e41\u0e25\u0e30\u0e1b\u0e23\u0e30\u0e0a\u0e32\u0e01\u0e23\u0e28\u0e32\u0e2a\u0e15\u0e23\u0e4c (\u0e2d\u0e32\u0e22\u0e38 \u0e40\u0e1e\u0e28 \u0e2d\u0e32\u0e0a\u0e35\u0e1e \u0e41\u0e1a\u0e1a one-hot) \u0e1e\u0e23\u0e49\u0e2d\u0e21\u0e2a\u0e40\u0e01\u0e25\u0e14\u0e49\u0e27\u0e22 min\u2013max \u0e41\u0e25\u0e30\u0e15\u0e23\u0e27\u0e08\u0e2a\u0e2d\u0e1a\u0e2a\u0e2b\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e41\u0e1a\u0e1a Pearson
\n\u0e17\u0e35\u0e21\u0e07\u0e32\u0e19\u0e40\u0e1b\u0e23\u0e35\u0e22\u0e1a\u0e40\u0e17\u0e35\u0e22\u0e1a 10 \u0e2d\u0e31\u0e25\u0e01\u0e2d\u0e23\u0e34\u0e17\u0e36\u0e21 \u0e15\u0e31\u0e49\u0e07\u0e41\u0e15\u0e48 Logistic Regression, Decision Tree, SVM (RBF), Random Forest, MLP \u0e44\u0e1b\u0e08\u0e19\u0e16\u0e36\u0e07\u0e2a\u0e32\u0e22 boosting (Gradient Boosting, XGBoost, LightGBM, CatBoost) \u0e41\u0e25\u0e30\u0e42\u0e21\u0e40\u0e14\u0e25\u0e10\u0e32\u0e19\u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e15\u0e32\u0e23\u0e32\u0e07\u0e22\u0e38\u0e04\u0e43\u0e2b\u0e21\u0e48 TabPFN 2.5 \u0e08\u0e38\u0e14\u0e41\u0e02\u0e47\u0e07\u0e02\u0e2d\u0e07\u0e01\u0e32\u0e23\u0e17\u0e14\u0e25\u0e2d\u0e07\u0e04\u0e37\u0e2d\u0e01\u0e32\u0e23\u0e41\u0e1a\u0e48\u0e07\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e41\u0e1a\u0e1a time-aware \u0e1b\u0e49\u0e2d\u0e07\u0e01\u0e31\u0e19 leakage \u0e43\u0e0a\u0e49 train\/test 80\/20 \u0e1e\u0e23\u0e49\u0e2d\u0e21 stratified 5-fold cross-validation \u0e1b\u0e23\u0e31\u0e1a\u0e08\u0e39\u0e19\u0e14\u0e49\u0e27\u0e22 grid search \u0e41\u0e25\u0e30\u0e01\u0e33\u0e2b\u0e19\u0e14 seed \u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e01\u0e32\u0e23\u0e17\u0e33\u0e0b\u0e49\u0e33\u0e44\u0e14\u0e49
\n\u0e1c\u0e25\u0e25\u0e31\u0e1e\u0e18\u0e4c\u0e0a\u0e31\u0e14\u0e40\u0e08\u0e19: TabPFN 2.5 \u0e17\u0e33\u0e04\u0e30\u0e41\u0e19\u0e19\u0e2a\u0e39\u0e07\u0e2a\u0e38\u0e14\u0e17\u0e38\u0e01\u0e21\u0e34\u0e15\u0e34 \u0e1a\u0e19\u0e0a\u0e38\u0e14\u0e17\u0e14\u0e2a\u0e2d\u0e1a\u0e44\u0e14\u0e49 Accuracy 0.814, Precision 0.789, Recall 0.741, F1-score 0.764, AUC 0.866, Specificity 0.862 \u0e02\u0e13\u0e30\u0e17\u0e35\u0e48 Gradient Boosting \u0e04\u0e37\u0e2d\u0e41\u0e0a\u0e21\u0e1b\u0e4c\u0e1d\u0e31\u0e48\u0e07\u0e42\u0e21\u0e40\u0e14\u0e25\u0e15\u0e35\u0e04\u0e27\u0e32\u0e21\u0e44\u0e14\u0e49 (Accuracy 80.2%, F1 0.752, AUC 0.852) \u0e01\u0e32\u0e23\u0e17\u0e14\u0e2a\u0e2d\u0e1a\u0e19\u0e31\u0e22\u0e2a\u0e33\u0e04\u0e31\u0e0d\u0e40\u0e0a\u0e34\u0e07\u0e2a\u0e16\u0e34\u0e15\u0e34\u0e22\u0e37\u0e19\u0e22\u0e31\u0e19\u0e27\u0e48\u0e32 TabPFN 2.5 \u0e40\u0e2b\u0e19\u0e37\u0e2d\u0e01\u0e27\u0e48\u0e32 Gradient Boosting \u0e2d\u0e22\u0e48\u0e32\u0e07\u0e21\u0e35\u0e19\u0e31\u0e22\u0e2a\u0e33\u0e04\u0e31\u0e0d \u0e2a\u0e2d\u0e14\u0e04\u0e25\u0e49\u0e2d\u0e07\u0e01\u0e31\u0e1a ROC \u0e41\u0e25\u0e30 Precision\u2013Recall \u0e17\u0e35\u0e48\u0e08\u0e31\u0e14\u0e25\u0e33\u0e14\u0e31\u0e1a\u0e42\u0e21\u0e40\u0e14\u0e25\u0e44\u0e14\u0e49\u0e04\u0e07\u0e17\u0e35\u0e48
\n\u0e01\u0e32\u0e23\u0e27\u0e34\u0e40\u0e04\u0e23\u0e32\u0e30\u0e2b\u0e4c\u0e04\u0e27\u0e32\u0e21\u0e2a\u0e33\u0e04\u0e31\u0e0d\u0e02\u0e2d\u0e07\u0e04\u0e38\u0e13\u0e25\u0e31\u0e01\u0e29\u0e13\u0e30\u0e1c\u0e48\u0e32\u0e19 Gradient Boosting \u0e1e\u0e1a\u0e27\u0e48\u0e32 \u201c\u0e1e\u0e24\u0e15\u0e34\u0e01\u0e23\u0e23\u0e21\u0e41\u0e25\u0e30\u0e40\u0e27\u0e25\u0e32\u201d \u0e02\u0e31\u0e1a\u0e40\u0e04\u0e25\u0e37\u0e48\u0e2d\u0e19\u0e01\u0e32\u0e23\u0e04\u0e32\u0e14\u0e01\u0e32\u0e23\u0e13\u0e4c\u0e21\u0e32\u0e01\u0e17\u0e35\u0e48\u0e2a\u0e38\u0e14 \u0e44\u0e14\u0e49\u0e41\u0e01\u0e48 \u0e04\u0e27\u0e32\u0e21\u0e16\u0e35\u0e48\u0e01\u0e32\u0e23\u0e43\u0e2b\u0e49\u0e40\u0e23\u0e15 \u0e0a\u0e48\u0e27\u0e07\u0e2b\u0e48\u0e32\u0e07\u0e23\u0e30\u0e2b\u0e27\u0e48\u0e32\u0e07\u0e40\u0e23\u0e15 \u0e04\u0e27\u0e32\u0e21\u0e2b\u0e25\u0e32\u0e01\u0e2b\u0e25\u0e32\u0e22\u0e41\u0e19\u0e27\u0e20\u0e32\u0e1e\u0e22\u0e19\u0e15\u0e23\u0e4c \u0e41\u0e25\u0e30\u0e04\u0e27\u0e32\u0e21\u0e43\u0e2b\u0e21\u0e48\u0e02\u0e2d\u0e07\u0e01\u0e34\u0e08\u0e01\u0e23\u0e23\u0e21 \u0e1c\u0e39\u0e49\u0e43\u0e0a\u0e49\u0e17\u0e35\u0e48\u0e22\u0e31\u0e07\u0e04\u0e07\u0e2d\u0e22\u0e39\u0e48\u0e21\u0e31\u0e01\u0e21\u0e35\u0e1b\u0e0f\u0e34\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e16\u0e35\u0e48 \u0e0a\u0e48\u0e27\u0e07\u0e2b\u0e48\u0e32\u0e07\u0e2a\u0e31\u0e49\u0e19 \u0e41\u0e25\u0e30\u0e23\u0e2a\u0e19\u0e34\u0e22\u0e21\u0e17\u0e35\u0e48\u0e2b\u0e25\u0e32\u0e01\u0e2b\u0e25\u0e32\u0e22 \u0e14\u0e49\u0e32\u0e19\u0e1b\u0e23\u0e30\u0e0a\u0e32\u0e01\u0e23\u0e28\u0e32\u0e2a\u0e15\u0e23\u0e4c\u0e21\u0e35\u0e2d\u0e34\u0e17\u0e18\u0e34\u0e1e\u0e25\u0e19\u0e49\u0e2d\u0e22\u0e01\u0e27\u0e48\u0e32\u0e2d\u0e22\u0e48\u0e32\u0e07\u0e21\u0e35\u0e19\u0e31\u0e22
\n\u0e02\u0e49\u0e2d\u0e04\u0e27\u0e23\u0e23\u0e30\u0e27\u0e31\u0e07\u0e04\u0e37\u0e2d MovieLens 1M \u0e40\u0e1b\u0e47\u0e19\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e40\u0e0a\u0e34\u0e07\u0e1b\u0e23\u0e30\u0e27\u0e31\u0e15\u0e34\u0e28\u0e32\u0e2a\u0e15\u0e23\u0e4c \u0e07\u0e32\u0e19\u0e19\u0e35\u0e49\u0e08\u0e36\u0e07\u0e40\u0e1b\u0e47\u0e19 \u201c\u0e21\u0e32\u0e15\u0e23\u0e10\u0e32\u0e19\u0e2d\u0e49\u0e32\u0e07\u0e2d\u0e34\u0e07\u0e17\u0e35\u0e48\u0e42\u0e1b\u0e23\u0e48\u0e07\u0e43\u0e2a\u0e41\u0e25\u0e30\u0e17\u0e33\u0e0b\u0e49\u0e33\u0e44\u0e14\u0e49\u201d \u0e21\u0e32\u0e01\u0e01\u0e27\u0e48\u0e32\u0e01\u0e32\u0e23\u0e2a\u0e30\u0e17\u0e49\u0e2d\u0e19\u0e1e\u0e24\u0e15\u0e34\u0e01\u0e23\u0e23\u0e21\u0e2a\u0e21\u0e31\u0e22\u0e43\u0e2b\u0e21\u0e48\u0e42\u0e14\u0e22\u0e15\u0e23\u0e07 \u0e1b\u0e23\u0e30\u0e40\u0e14\u0e47\u0e19\u0e15\u0e48\u0e2d\u0e22\u0e2d\u0e14 \u0e44\u0e14\u0e49\u0e41\u0e01\u0e48 \u0e1c\u0e19\u0e27\u0e01 watch time\/clickstream \u0e43\u0e0a\u0e49\u0e42\u0e21\u0e40\u0e14\u0e25\u0e25\u0e33\u0e14\u0e31\u0e1a\u0e40\u0e27\u0e25\u0e32 (LSTM\/Transformers) \u0e41\u0e25\u0e30\u0e17\u0e14\u0e2a\u0e2d\u0e1a\u0e01\u0e31\u0e1a\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e23\u0e48\u0e27\u0e21\u0e2a\u0e21\u0e31\u0e22 \u0e2a\u0e33\u0e2b\u0e23\u0e31\u0e1a\u0e17\u0e35\u0e21\u0e2a\u0e15\u0e23\u0e35\u0e21\u0e21\u0e34\u0e07 \u0e1a\u0e17\u0e2a\u0e23\u0e38\u0e1b\u0e40\u0e0a\u0e34\u0e07\u0e1b\u0e0f\u0e34\u0e1a\u0e31\u0e15\u0e34\u0e04\u0e37\u0e2d \u201c\u0e1e\u0e24\u0e15\u0e34\u0e01\u0e23\u0e23\u0e21\u0e01\u0e32\u0e23\u0e43\u0e0a\u0e49\u0e07\u0e32\u0e19\u201d \u0e1a\u0e2d\u0e01\u0e41\u0e19\u0e27\u0e42\u0e19\u0e49\u0e21\u0e04\u0e07\u0e2d\u0e22\u0e39\u0e48\u0e44\u0e14\u0e49\u0e14\u0e35\u0e01\u0e27\u0e48\u0e32 \u201c\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e1b\u0e23\u0e30\u0e0a\u0e32\u0e01\u0e23\u201d \u0e01\u0e32\u0e23\u0e21\u0e2d\u0e19\u0e34\u0e40\u0e15\u0e2d\u0e23\u0e4c\u0e04\u0e27\u0e32\u0e21\u0e16\u0e35\u0e48 \u0e04\u0e27\u0e32\u0e21\u0e2a\u0e21\u0e48\u0e33\u0e40\u0e2a\u0e21\u0e2d \u0e41\u0e25\u0e30\u0e04\u0e27\u0e32\u0e21\u0e2b\u0e25\u0e32\u0e01\u0e2b\u0e25\u0e32\u0e22\u0e02\u0e2d\u0e07\u0e01\u0e32\u0e23\u0e21\u0e35\u0e1b\u0e0f\u0e34\u0e2a\u0e31\u0e21\u0e1e\u0e31\u0e19\u0e18\u0e4c\u0e08\u0e36\u0e07\u0e0a\u0e48\u0e27\u0e22\u0e2d\u0e2d\u0e01\u0e41\u0e1a\u0e1a\u0e01\u0e32\u0e23\u0e41\u0e17\u0e23\u0e01\u0e41\u0e0b\u0e07\u0e40\u0e0a\u0e34\u0e07\u0e23\u0e38\u0e01\u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e25\u0e14 churn \u0e44\u0e14\u0e49\u0e08\u0e23\u0e34\u0e07
\nIT SPU \u0e19\u0e33\u0e40\u0e2a\u0e19\u0e2d\u0e2a\u0e32\u0e23\u0e30\u0e08\u0e32\u0e01\u0e07\u0e32\u0e19\u0e19\u0e35\u0e49\u0e40\u0e1e\u0e37\u0e48\u0e2d\u0e40\u0e1b\u0e34\u0e14\u0e17\u0e32\u0e07\u0e43\u0e2b\u0e49\u0e19\u0e31\u0e01\u0e28\u0e36\u0e01\u0e29\u0e32 \u0e19\u0e31\u0e01\u0e1e\u0e31\u0e12\u0e19\u0e32 \u0e41\u0e25\u0e30\u0e27\u0e34\u0e28\u0e27\u0e01\u0e23\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e40\u0e02\u0e49\u0e32\u0e16\u0e36\u0e07\u0e41\u0e19\u0e27\u0e1b\u0e0f\u0e34\u0e1a\u0e31\u0e15\u0e34\u0e17\u0e35\u0e48\u0e15\u0e23\u0e27\u0e08\u0e2a\u0e2d\u0e1a\u0e44\u0e14\u0e49 \u0e25\u0e14\u0e02\u0e49\u0e2d\u0e08\u0e33\u0e01\u0e31\u0e14\u0e43\u0e19\u0e01\u0e32\u0e23\u0e40\u0e23\u0e35\u0e22\u0e19\u0e23\u0e39\u0e49\u0e40\u0e0a\u0e34\u0e07\u0e1b\u0e0f\u0e34\u0e1a\u0e31\u0e15\u0e34\u0e02\u0e2d\u0e07 retention modeling \u0e14\u0e49\u0e27\u0e22\u0e01\u0e32\u0e23\u0e2d\u0e49\u0e32\u0e07\u0e2d\u0e34\u0e07\u0e0a\u0e38\u0e14\u0e02\u0e49\u0e2d\u0e21\u0e39\u0e25\u0e2a\u0e32\u0e18\u0e32\u0e23\u0e13\u0e30\u0e41\u0e25\u0e30 DOI \u0e02\u0e2d\u0e07\u0e15\u0e49\u0e19\u0e09\u0e1a\u0e31\u0e1a
\nArticle: Chen, J., & Chen, D. (2026). Predictive modeling of user retention based on online behavior in media service platforms. Discover Artificial Intelligence, 6(1), Article 1008. DOI: 10.1007\/s44163-026-02043-z<\/p>\n
IT SPU spotlights transparent, repeatable churn prediction\u2014bringing hands-on retention modeling within reach for streaming tech teams
\nIn today\u2019s streaming wars, the real contest is not sign-ups but stay-or-churn. A new study in Discover Artificial Intelligence by Jinmei Chen and Dongye Chen tackles retention with rare transparency: a complete, reproducible predictive framework built entirely on public data\u2014no proprietary datasets required.
\nThe authors establish a fair, standard test bed using MovieLens 1M: 1,000,209 ratings from 6,040 users on 3,952 movies (2000\u20132003). Every user rated at least 20 items. Retention is defined via a 30-day inactivity threshold; class balance is moderate (59.8% retained vs. 40.2% churn), so evaluation goes beyond accuracy alone.
\nFeature engineering spans four families: behavioral (mean\/variance), temporal (rating frequency, inter-rating time, recency, binge index), content (genre affinity and entropy-based diversity), and demographics (age, gender, occupation via one-hot), with min\u2013max scaling and Pearson checks for redundancy.
\nTen models are compared: Logistic Regression, Decision Tree, SVM (RBF), Random Forest, MLP, and four boosting variants (Gradient Boosting, XGBoost, LightGBM, CatBoost), plus TabPFN 2.5\u2014a tabular foundation model pretrained on synthetic tasks. A time-aware split avoids leakage, using 80\/20 train\/test with stratified 5-fold CV, grid-search tuning, and fixed seeds for repeatability.
\nResults are decisive: TabPFN 2.5 tops all metrics on the held-out set\u2014Accuracy 0.814, Precision 0.789, Recall 0.741, F1 0.764, AUC 0.866, Specificity 0.862. Gradient Boosting is the strongest interpretable conventional ensemble (Accuracy 80.2%, F1 0.752, AUC 0.852). Statistical tests confirm TabPFN 2.5 significantly outperforms Gradient Boosting, mirroring ROC and precision\u2013recall rankings.
\nFeature importance (via Gradient Boosting) shows behavior and timing drive retention: frequent interactions, shorter gaps, and higher genre diversity (notably drama\/action) characterize retained users; demographics play a secondary role. The authors note MovieLens 1M is historical, so the contribution is a transparent, reproducible baseline rather than a mirror of today\u2019s platforms. Future work: add watch time\/clickstream, apply sequence models, and test modern datasets.
\nIT SPU shares this research digest to lower learning barriers for students, developers, and data engineers\u2014offering a rigorous, public-data baseline and DOI reference for hands-on retention modeling.
\nArticle: Chen, J., & Chen, D. (2026). Predictive modeling of user retention based on online behavior in media service platforms. Discover Artificial Intelligence, 6(1), Article 1008. DOI: 10.1007\/s44163-026-02043-z<\/p>\n