电商定价系统的异常检测
机器学习
2019-06-04 v5 机器学习
摘要
与实体店相比，在线零售商执行极其大量的价格更新。即使少数错误定价的商品也会产生显著的商业影响并导致客户信任丧失。以自动化实时方式早期检测异常是此类定价系统的重要部分。在本文中，我们描述了我们为 Walmart 大规模在线定价系统开发并部署的无监督与有监督异常检测方法。我们的系统在批处理和实时流处理设置中均检测异常，被标记的商品根据优先级和业务影响被审查和处理。我们发现，拥有正确的架构设计对于在规模上促进模型性能至关重要，并且业务影响和速度是影响大规模系统生产环境中模型选择、参数选择和优先级排序的重要因素。我们使用真实世界零售数据在测试集上对各种方法的性能进行了分析，并将我们的方法完全部署到生产环境中。我们发现，我们的方法能够以高精度检测最重要的异常。
引用
@article{arxiv.1902.09566,
title = {Anomaly Detection for an E-commerce Pricing System},
author = {Jagdish Ramakrishnan and Elham Shaabani and Chao Li and Mátyás A. Sustik},
journal= {arXiv preprint arXiv:1902.09566},
year = {2019}
}
备注
10 pages, 4 figures