在数据匮乏的保险领域推荐会话外的目标行为
信息检索
2024-03-04 v1
摘要
由于保险领域的内在和独特特征，提供个性化的保险产品推荐尤为具有挑战性。首先，与零售、电影等更传统的领域不同，该领域缺乏大量的用户反馈，且物品目录较小。其次，由于产品复杂度较高，大多数用户仍倾向于通过电话而非在线完成购买。我们提出了不同的推荐模型以应对保险领域的数据稀缺问题。我们使用了具有三种不同类型损失函数和架构（交叉熵、删失 Weibull、注意力机制）的循环神经网络。我们的模型通过学习多个会话和不同类型的用户行为来应对数据稀缺。此外，与之前的基于会话的模型不同，我们的模型学习预测不在会话内发生的目标行为。我们的模型在包含约 4.4 万用户、16 个物品、5.4 万次购买和 11.7 万个会话的真实世界保险数据集上，表现优于最先进的基线模型。此外，将我们的模型与人口统计数据相结合可提升性能。分析表明，考虑多个会话和多种类型的行为均对模型有益，且我们的模型在年龄、性别和收入方面不存在不公平性。
引用
@article{arxiv.2403.00368,
title = {Recommending Target Actions Outside Sessions in the Data-poor Insurance Domain},
author = {Simone Borg Bruun and Christina Lioma and Maria Maistro},
journal= {arXiv preprint arXiv:2403.00368},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2211.15360