面向记录有限的市场细分需求预测的关联感知元学习
机器学习
2021-01-15 v2 信息检索
摘要
电子商务业务通过提供便捷和直接的服务正在改变我们的购物体验。最基本的问题之一是如何平衡市场细分中的供需以构建高效的平台。虽然传统的机器学习模型在数据充足的细分上取得了巨大成功，但在电子商务平台中很大一部分细分上可能会失败，因为这些细分没有足够的记录来学习训练良好的模型。在本文中，我们在市场细分需求预测的语境下解决此问题。目标是通过利用从数据充足的源细分中学到的知识来促进目标细分中的学习过程。具体而言，我们提出了一种新颖的算法 RMLDP，将多模式融合网络 (MPFN) 与元学习范式相结合。多模式融合网络同时考虑局部和季节性时间模式用于细分需求预测。在元学习范式中，可迁移知识被视为 MPFN 的模型参数初始化，这些参数是从多样化的源细分中学习得到的。此外，我们通过结合数据驱动的细分表示和细分知识图谱表示来捕获细分关系，并定制特定于细分的关系以定制可迁移的模型参数初始化。因此，即使数据有限，目标细分也能快速找到最相关的迁移知识并适应最优参数。我们在两个大规模工业数据集上进行了大量实验。结果证明我们的 RMLDP 优于一组最先进的基线。此外，RMLDP 已部署在真实世界电子商务平台淘宝中。在线 A/B 测试结果进一步证明了 RMLDP 的实用性。
引用
@article{arxiv.2008.00181,
title = {Relation-aware Meta-learning for Market Segment Demand Prediction with Limited Records},
author = {Jiatu Shi and Huaxiu Yao and Xian Wu and Tong Li and Zedong Lin and Tengfei Wang and Binqiang Zhao},
journal= {arXiv preprint arXiv:2008.00181},
year = {2021}
}
备注
First two authors contributed equally; Accepted by WSDM 2021