该论文提出了一种协同增强模型，通过标准化支出数据降低标签变异性，确保建模稳定性，预测用户游戏消费无需用户标识，保护隐私。模型在融合用户偏好和游戏特征前分别表示它们，作为支出预测模块输入。实验结果显示，离线数据提升17.11%，在线测试提升50.65%，强调了稳定模型训练框架在移动游戏消费预测中的重要性和有效性。

该论文介绍了一种协同增强模型，用于预测用户游戏消费行为。通过稳健的模型训练和评估框架，标准化支出数据，确保建模过程的稳定性。实验证明该方法在离线数据上改进了17.11%，在在线A/B测试中提升了50.65%。突显了稳定的模型训练框架的重要性和协同增强模型在移动游戏中的功效。