用于时尚推荐的基于 LSTM 的动态客户模型
信息检索
2017-08-25 v1 机器学习
摘要
在线时尚销售对个性化推荐提出了具有挑战性的用例：商店提供多种尺码的巨量商品。小库存、高退货率、季节性以及不断变化的趋势导致商品在所有时间尺度上持续周转。客户倾向于很少购物，但通常会一次购买多件商品。我们报告了在欧洲领先的在线时尚平台 Zalando 上对 10 万名高频购物者销售数据进行回测实验的结果。为了对不断变化的客户和商店环境进行建模，我们的推荐方法采用了一对神经网络：为克服冷启动问题，一个前馈网络在“时尚空间”中生成商品嵌入，作为循环神经网络的输入，该循环神经网络基于客户过去的购买序列预测该空间中每位客户的风格向量。我们将我们的结果与静态协同过滤方法和流行度排序基线进行了比较。
引用
@article{arxiv.1708.07347,
title = {An LSTM-Based Dynamic Customer Model for Fashion Recommendation},
author = {Sebastian Heinz and Christian Bracher and Roland Vollgraf},
journal= {arXiv preprint arXiv:1708.07347},
year = {2017}
}