TPG-DNN:一种基于全概率公式与 GRU 损失及多任务学习的用户意图预测方法
机器学习
2020-08-06 v1 机器学习
摘要
电子商务平台已成为人们搜索、浏览和购买所需商品的主要战场。改善客户与商家的在线购物体验至关重要,如何寻找恰当的用户意图预测方法在工业界与学术界均受到高度重视。本文提出一种新颖的用户意图预测模型 TPG-DNN 来完成这一挑战性任务,该模型基于带多任务学习的自适应门控循环单元 (GRU) 损失函数。我们创造性地将 GRU 结构与全概率公式用作损失函数,以对用户整个在线购买过程建模。此外,多任务权重调整机制可使最终损失函数通过数据方差在不同任务间动态调节重要性。根据在淘宝日常与促销数据集上的实验测试结果,所提模型表现远优于现有点击率 (CTR) 模型。目前,该用户意图预测模型已广泛用于淘宝平台的优惠券发放、广告与推荐,极大提升了用户体验与购物效率,并有益于商品交易总额 (GMV) 的提升。
引用
@article{arxiv.2008.02122,
title = {TPG-DNN: A Method for User Intent Prediction Based on Total Probability Formula and GRU Loss with Multi-task Learning},
author = {Jingxing Jiang and Zhubin Wang and Fei Fang and Binqiang Zhao},
journal= {arXiv preprint arXiv:2008.02122},
year = {2020}
}