基于自编码器的客户嵌入通用表示学习
机器学习
2025-02-05 v2 人工智能
摘要
表示学习的最新进展成功利用了各个领域数据潜在的领域特定结构。然而，在潜在空间中表示以表格格式存储的多样且复杂的实体仍然具有挑战性。在本文中，我们介绍了 DEEPCAE，一种用于计算多层收缩自编码器 (CAEs) 正则化项的新方法。此外，我们形式化了一个通用实体嵌入框架，并利用它在经验上表明，DEEPCAE 在重建性能和下游预测性能方面均优于所有其他测试过的自编码器变体。值得注意的是，与在 13 个数据集上的堆叠 CAE 相比，DEEPCAE 的重建误差降低了 34%。
引用
@article{arxiv.2402.18164,
title = {Autoencoder-based General Purpose Representation Learning for Customer Embedding},
author = {Jan Henrik Bertrand and David B. Hoffmann and Jacopo Pio Gargano and Laurent Mombaerts and Jonathan Taws},
journal= {arXiv preprint arXiv:2402.18164},
year = {2025}
}
备注
20 pages, 7 figures