用于配送时间估计的归纳图Transformer
机器学习
2023-02-03 v1 信息论
math.IT
摘要
在电商平台的用户购买页面提供准确的包裹配送时间估计，对其购买决策和购后体验至关重要。尽管该问题与传统的预计到达时间（ETA）有一些共性问题，但更具挑战性，体现在以下方面：1）归纳推断。模型需对具有未见零售商和地址的订单预测 ETA；2）订单语义信息的高阶交互。除时空特征外，估计时间还随其他因素（如零售商打包效率以及这些因素的高阶交互）大幅变化。本文提出一种归纳图Transformer（IGT），利用原始特征信息与结构图数据估计包裹配送时间。与以往图Transformer架构不同，IGT 采用解耦流程，并将 Transformer 训练为回归函数，以捕获由图神经网络（GNN）编码的原始特征与稠密嵌入中的多重信息。此外，我们通过移除非线性激活和可学习的线性变换矩阵进一步简化 GNN 结构。简化 GNN 中缩减的参数搜索空间与线性信息传播使 IGT 能应用于大规模工业场景。在真实物流数据集上的实验表明，所提模型在配送时间估计上显著优于最先进的方法。源代码见：https://github.com/enoche/IGT-WSDM23。
引用
@article{arxiv.2211.02863,
title = {Inductive Graph Transformer for Delivery Time Estimation},
author = {Xin Zhou and Jinglong Wang and Yong Liu and Xingyu Wu and Zhiqi Shen and Cyril Leung},
journal= {arXiv preprint arXiv:2211.02863},
year = {2023}
}
备注
9 pages, accepted to WSDM 2023