EPR-GAIL：一种EPR增强的层次化模仿学习框架，用于模拟复杂用户消费行为
机器学习
2025-03-11 v1 人工智能
摘要
用户消费行为数据记录了个人在各种类型商店的在线消费历史，已被广泛应用于商店推荐、选址和销售预测等场景。然而，由于数据全面性的不足和应用场景的变化，其价值受到限制。因此，通过模拟复杂用户消费行为生成高质量的序列消费数据对实际应用至关重要。现有两种序列生成方法分支在质量上均存在局限：基于简化假设的模型驱动方法无法建模用户消费的复杂决策过程，而模拟真实数据的驱动数据方法则易受噪声、未观测行为和动态决策空间的影响。在本工作中，我们通过将驱动数据的生成对抗模仿学习（GAIL）方法与探索与偏好回报（EPR）模型相融合，提升了其保真度和可信度。EPR-GAIL框架的核心思想是将用户消费行为建模为一个复杂的EPR决策过程，该过程由购买、探索和偏好决策组成。具体而言，我们在生成器中设计了反映EPR决策过程的层次化策略函数，并利用EPR模型的概率分布来引导判别器中的奖励函数。在两个真实用户消费行为数据集上的大量实验表明，EPR-GAIL框架在数据保真度方面超越了最优现有基线超过19%。此外，生成的消费行为数据可将销售预测和位置推荐的性能分别提升最多35.29%和11.19%，验证了其在实际应用中的优势。
引用
@article{arxiv.2503.06392,
title = {EPR-GAIL: An EPR-Enhanced Hierarchical Imitation Learning Framework to Simulate Complex User Consumption Behaviors},
author = {Tao Feng and Yunke Zhang and Huandong Wang and Yong Li},
journal= {arXiv preprint arXiv:2503.06392},
year = {2025}
}