为零售数据集生成逼真的客户级交易序列

为了更好地与客户互动，零售商依赖广泛的客户与产品数据库，从而更好地理解客户行为与购买模式。这长期以来是一项具有挑战性的任务，因为客户建模是一个多面、含噪且时间相关的问题。解决该问题最常见的方式是通过特定任务的监督学习预测问题间接进行，直接通过模拟客户未来交易来建模客户的文献相对较少。本文中，我们提出一种为给定客户在一段时间内可能购买的篮子序列生成逼真序列的方法。使用循环神经网络（RNN）学习客户嵌入表示，该网络考虑了完整的交易数据序列。给定客户在某一时刻的状态，训练生成对抗网络（GAN）以生成下周合理的产品篮子。新生成的篮子随后被反馈至 RNN 以更新客户状态。因此，GAN 与 RNN 模块以交替进行篮子生成与客户状态更新步骤的流水线方式协同使用。这允许对客户未来篮子序列的分布进行采样，进而可用于深入了解如何更有效地服务该客户。经验表明，该方法生成的篮子与真实篮子相似并具有许多共同属性，包括不同产品类型、品牌与价格的频率。此外，生成的数据能够复现真实数据中产品类型间存在的最强序列模式中的大部分。