基于循环神经网络的多元到达时间与个性化需求预测

在庞大群体上获取种类丰富的数据，使得预测客户购买模式及对营销活动的响应成为可能。特别地，对具有频繁重复购买的热门产品进行准确的需求预测至关重要，因为这些产品是利润的主要驱动因素之一。然而，由于群体异质性以及跨产品类别购买模式的依赖性，买家购买模式在单产品层面上极为多样且稀疏。生存分析中的传统方法通过假设到达时间间隔的参数分布，已证明能有效处理删失数据。随后在回归框架中拟合分布参数。另一方面，基于神经网络的模型采用非参数方法从更大的函数类中学习关系。然而，缺乏分布假设使其难以对部分观测数据建模。在本文中，我们采用基于生存分析的方法，使用循环神经网络（RNN）联合建模多种产品的购买时间，直接对到达时间间隔以及每个时间步的部分观测信息进行建模。RNN 不预测到达时间间隔的点估计，而是输出定义分布估计的参数。损失函数给定部分观测数据下这些参数的负对数似然。该方法允许利用完全观测数据以及部分信息。通过以对数似然损失函数外化删失问题，我们表明可相较最先进的机器学习方法取得实质性改进。我们基于两个公开数据集以及来自大型零售商的真实数据集研究给出了实验结果。