基于效用矢量挖掘的主动学习方法用于分析点击流序列
机器学习
2024-10-11 v1
摘要
在快速演化的电子商务行业中，能够为模型训练选择高质量数据的能力至关重要。本研究引入了基于SHAP值使用的高效用序列模式挖掘模型（HUSPM-SHAP），这是一种基于效用矢量挖掘的主动学习策略，用于应对这一挑战。我们发现，正负SHAP值的参数设置会影响模型的挖掘结果，这引入了一个关键考虑因素到主动学习框架中。通过旨在预测导致购买或不导致购买的行为的广泛实验，设计的HUSPM-SHAP模型在各种场景下均显示出优越性。该模型在保持高预测性能的同时减缓标签需求的能力得到突出。我们的发现表明，该模型具有精炼电子商务数据处理、朝着更简洁、高性价比的预测建模方向发展的能力。
引用
@article{arxiv.2410.07282,
title = {A Utility-Mining-Driven Active Learning Approach for Analyzing Clickstream Sequences},
author = {Danny Y. C. Wang and Lars Arne Jordanger and Jerry Chun-Wei Lin},
journal= {arXiv preprint arXiv:2410.07282},
year = {2024}
}
备注
7 pages, 2 figures, preprint version