CATS：用于商业客户购买意愿预测的聚类聚合与时间序列方法
计量经济学
2025-05-21 v1 机器学习
综合经济学
经济学
摘要
准确预测客户的购买意愿对商业策略的成功至关重要。当前研究主要关注分析客户未来可能购买的特定产品类型，而对客户是否参与重复购买行为这一关键因素关注甚少。预测客户是否会进行下一次购买是一个经典的时间序列预测任务。然而，在现实的购买行为中，客户群体通常表现出不平衡——即有大量偶尔购买的客户和少量忠实客户。这种头尾分布使得传统时间序列预测方法在处理此类问题时面临一定局限。为解决上述挑战，本文提出了一种统一的聚类和注意力机制 GRU 模型（CAGRU），利用多模态数据进行客户购买意愿预测。该框架首先根据客户特征进行客户画像，并将客户聚类以划分包含相似特征的不同客户群体。然后，通过 GRU 神经网络提取不同客户群体的时间序列特征，并引入注意力机制来捕捉序列位置的重要性。此外，为了缓解客户群体的头尾分布，我们为每个客户群体分别训练模型，以更准确地适应和捕捉不同客户群体之间行为特征的差异，以及同一客户群体内部客户的相似特征。我们构建了四个数据集并进行了广泛实验，以证明所提出的 CAGRU 方法的优越性。
引用
@article{arxiv.2505.13558,
title = {CATS: Clustering-Aggregated and Time Series for Business Customer Purchase Intention Prediction},
author = {Yingjie Kuang and Tianchen Zhang and Zhen-Wei Huang and Zhongjie Zeng and Zhe-Yuan Li and Ling Huang and Yuefang Gao},
journal= {arXiv preprint arXiv:2505.13558},
year = {2025}
}