基于深度分层编码器-解码器的高级客户活动预测

产品推荐系统与客户画像技术一直是线上零售的重点。近期机器学习研究进展以及大规模并行数值计算的广泛可用性，使得推荐系统进步的多种方法与方向成为可能。值得提及的是，过去几年中多个传统“线下”零售企业越来越倾向于采用推断乃至预测分析，既用于补货预测等库存相关问题，也用于丰富客户交互体验。推荐系统研发最重要的领域之一是基于深度学习的模型，其采用表示学习来建模消费者行为模式。当前基于深度学习的推荐系统最优水平使用了多种方法，从基于学习产品表示向量的已有经典方法，到客户交易时间序列的循环分析，再到基于对抗训练的生成模型。这些方法各有优势与固有弱点，例如无法理解实际用户路径、只能给出单一产品推荐或 top-k 产品推荐而不能预测实际下一最佳推荐。在我们的工作中，我们将提出一种新颖架构方法，应用最先进的分层多模块编码器-解码器架构，以解决若干当前最优推荐系统问题。我们的方法还将产生副产品，如基于产品需求的细分与客户行为细分——全部以端到端可训练方式实现。最后，我们将提出几种基于所提架构解决已知零售与分销痛点的方法。