使用受 DQN 启发的深度学习模型预测电商购买行为以增强适应性

本文提出了一种利用受 Deep Q-Network (DQN) 启发的架构来预测电商场景中购买意图和产品需求的新方法。在快速演变的在线零售环境中，准确预测用户行为对于优化库存管理、个性化用户体验和最大化销售至关重要。我们的方法将强化学习的概念调整应用于监督学习语境，将长短期记忆 (LSTM) 网络的序列建模能力与 DQN 的战略决策能力相结合。我们在一个包含超过 885,000 个用户会话、每个会话具有 1,114 个特征的大规模电商数据集上评估了我们的模型。我们的方法在处理电商数据中典型的固有类别不平衡（购买事件明显少于非购买事件）方面表现出稳健的性能。通过对各种分类阈值进行综合实验，我们表明我们的模型在精确率和召回率之间取得了平衡，总体准确率达到 88%，AUC-ROC 得分为 0.88。对比分析表明，受 DQN 启发的模型相比传统机器学习和标准深度学习方法具有优势，特别是在捕捉用户行为中复杂时间模式的能力方面。该模型的性能和可扩展性使其非常适合处理高维、序列数据的现实电商应用。本研究通过引入一种结合深度学习和强化学习范式优势的新型预测建模技术，为电商分析领域做出了贡献。我们的发现对于改善在线零售环境中的需求预测、个性化用户体验和优化营销策略具有重要意义。