用于下次购买预测的序列推荐模型
信息检索
2023-07-07 v2 人工智能
机器学习
摘要
在提供当代数字营销体验时，推荐的时效性与上下文准确性愈发重要。传统推荐系统（RS）通过考虑用户过往购买记录，向其推荐相关但时间不变的商品。这些推荐仅映射至客户的普遍偏好，而非客户在购买前即刻的具体需求。相比之下，考虑交易、购买或体验顺序以衡量演化偏好的 RS 能够向客户提供更为显著且有效的推荐：序列推荐系统（Sequential RS）不仅受益于对用户当前需求的更好行为理解，也具备更强的预测能力。本文中，我们利用包含 46K 持卡人超过 270 万笔信用卡交易的生产数据集，展示并排序了序列推荐系统的有效性。该方法首先在原始交易数据上使用自编码器，并将观测到的交易编码提交给基于 GRU 的序列模型。该序列模型在样本外测试集上取得了 47% 的 MAP@1 指标，与现有研究一致。我们还讨论了将序列 RS 的实时预测嵌入 Nexus（一种可扩展、低延迟、基于事件的数字体验架构）的意义。
引用
@article{arxiv.2207.06225,
title = {Sequential Recommendation Model for Next Purchase Prediction},
author = {Xin Chen and Alex Reibman and Sanjay Arora},
journal= {arXiv preprint arXiv:2207.06225},
year = {2023}
}
备注
18 pages, 9 figures