面向不平衡送达时间估计的对偶图多任务框架
机器学习
2023-02-20 v2 数据结构与算法
摘要
送达时间估计（DTE）是电商供应链的关键组成部分，它基于商家信息、发送地址、接收地址和支付时间来预测送达时间。准确的 DTE 可提升平台收入并减少客户投诉和退款。然而，工业数据的不平衡特性阻碍了先前模型达到令人满意的预测性能。尽管不平衡回归方法可应用于 DTE 任务，但我们通过实验发现，它们以牺牲整体性能为代价来改善少样本数据点的预测性能。为解决该问题，我们提出了一种新颖的面向不平衡送达时间估计的对偶图多任务框架（DGM-DTE）。我们的框架首先将包裹送达时间分类为头部和尾部数据。然后，利用基于对偶图的模型来学习这两类数据的表示。特别地，DGM-DTE 通过估计尾部数据的核密度来对其嵌入重新加权。我们融合两种基于图的表示以同时捕捉高样本和低样本数据表示。在真实淘宝物流数据集上的实验证明了 DGM-DTE 相对于基线的优越性能。
引用
@article{arxiv.2302.07429,
title = {Dual Graph Multitask Framework for Imbalanced Delivery Time Estimation},
author = {Lei Zhang and Mingliang Wang and Xin Zhou and Xingyu Wu and Yiming Cao and Yonghui Xu and Lizhen Cui and Zhiqi Shen},
journal= {arXiv preprint arXiv:2302.07429},
year = {2023}
}
备注
Accepted by DASFAA 2023 Industry Track