基于 Wasserstein 距离序列匹配的市场购物篮个性化购买预测
信息检索
2019-09-12 v2 机器学习
摘要
营销中的个性化旨在通过为个体量身定制服务来改善客户的购物体验。为此，企业必须能够做出关于下次购买的个性化预测。即必须预测将构成下次购买的精确物品列表，即所谓的市场购物篮。尽管该问题对企业运营十分重要，但由于其固有复杂性，先前研究对其关注甚少。事实上，最先进的方法仅限于用于模式提取的直观决策规则。然而，预编码规则的简单性制约了性能，因为决策规则以自回归方式运行：规则只能从单个客户的过往购买中进行推断，而未考虑客户之间发生的知识迁移。相比之下，我们的研究通过提出一种基于序列购买历史的市场购物篮新型预测器，克服了预设规则的局限：我们的预测基于相似性匹配，以在所有客户的完整购物历史中识别相似的购买习惯。我们的贡献如下：（1）我们提出基于子序列动态时间规整（subsequential dynamic time warping, SDTW）的相似性匹配作为市场购物篮的新型预测器。由此，我们可有效识别跨客户模式。（2）我们利用 Wasserstein 距离来度量嵌入购买历史之间的相似性。（3）我们开发了一种快速近似算法，用于计算该设定下 Wasserstein 距离的下界。大量计算实验证明了我们方法的有效性。基于文献中最先进决策规则识别精确市场购物篮的准确率被以 4.0 倍的幅度超越。
引用
@article{arxiv.1905.13131,
title = {Personalized Purchase Prediction of Market Baskets with Wasserstein-Based Sequence Matching},
author = {Mathias Kraus and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:1905.13131},
year = {2019}
}
备注
Accepted for oral presentation at 25th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2019)