Двухуровневый подход, чтобы купить его снова рекомендации с использованием категории и моделей элементов
13 августа 2025 г.Авторы:
(1) Амит Панде, Data Sciences, Target Corporation, Бруклин Парк, Миннесота, США (amit.pande@target.com);
(2) Кунал Гош, Data Sciences, Target Corporation, Бруклин Парк, Миннесота, США (kunal.ghosh@target.com);
(3) Парк Ранкинг, Data Sciences, Target Corporation, Бруклин Парк, Миннесота, США (Rancyung.park@target.com).
Таблица ссылок
Аннотация и 1 введение
- Литературный обзор
- Модель
- Эксперименты
- Путешествие по развертыванию
- Будущие направления и ссылки
АБСТРАКТНЫЙ
Покупайте его снова (BIA) Рекомендации имеют решающее значение для розничных продавцов, чтобы помочь улучшить пользовательский опыт и взаимодействие с сайтами, предлагая предметы, которые клиенты могут купить снова в зависимости от своих собственных повторных моделей покупки. Большинство существующих исследований BIA анализируют персонализированное поведение гостей в отношении гранулярности предмета. Этот более тонкий уровень детализации может быть подходит для малых предприятий или небольших наборов данных для поисковых целей. Тем не менее, этот подход может быть невозможным для крупных розничных продавцов, у которых сотни миллионов гостей и десятков миллионов предметов. Для таких наборов данных более практично иметь крупнозернискую модель, которая отражает поведение клиентов на уровне категории элементов. Кроме того, клиенты обычно изучают варианты предметов в одних и тех же категориях, например, пробуют разные бренды или ароматы йогурта. Модель, основанная на категории, может быть более подходящей в таких сценариях. Мы предлагаем систему рекомендаций, называемую иерархической моделью PCIC, которая состоит из персонализированной модели категории (модель ПК) и персонализированной модели элемента в категориях (модель IC). Модель ПК генерирует персональный список категорий, которые клиенты могут приобрести снова. Модель IC оценивает предметы в категориях, которые гости могут пересмотреть в категории. Иерархическая модель PCIC отражает общий уровень потребления продуктов с использованием моделей выживания. Тенденции потребления отражаются с использованием моделей временных рядов. Особенности, полученные из этих моделей, используются при обучении нейронной сети категорий. Мы сравниваем PCIC с двенадцатью существующими базовыми показателями на четырех стандартных открытых наборах данных. PCIC улучшает NDCG до 16%, улучшая при этом примерно на 2%. Мы смогли масштабировать и тренировать (более 8 часов) PCIC на большом наборе данных из 100 м и 3 -метровых предметов, где повторные категории гостевых поощряющихся предметов. PCIC был развернут, и A/B протестировал на месте крупного розничного продавца, что привело к значительному росту вовлечения гостей.
1 Введение
Примечание [1]
С появлением электронной коммерции системы рекомендаций стали горячей темой для исследований. Персонализированные рекомендации являются ключевым активом для успешных приложений или сайтов в самых разных отраслях, включая услуги по потоковой передаче музыки или видео, платформы электронной коммерции, игры, финансы и банки. Оцифровка опаздывала в опыт покупки продуктов, так как многие люди ранее предпочитали покупать продукты лично. Тем не менее, продажи цифровых продуктовых магазинов взлетели с появлением COVID-19, так как большинство покупателей переключились на цифровые заказы, поддерживаемые цифровым исполнением, заказом, DriveUp или персональным покупателем [8]. С этим изменением в поведении покупателей много внимания уделялось обоимСледующая рекомендация корзины(NBR) [12, 16, 18–21], что предлагает предметам, которые клиенты хотели бы приобрести или потреблять в следующем и создавать персонализированные виртуальные проходы, чтобы помочь покупкам клиентов. Эффективные персонализированные рекомендации повышают жизнь клиентов (LTV) за счет увеличения повторных покупок и позволяя клиентам изучать новые соответствующие предметы. Это дает очень хорошую возможность, особенно для многоканального ритейлера, разработать стратегии, которые могут увлечь их привлечением, облегчая их впечатление от покупок. Таким образом, делает повторяющиеся покупки клиентов, поэтому имеет первостепенное значение для улучшения своего опыта покупок и освободить время для покупки новых дискреционных предметов.
Учитывая последовательность корзин, которые клиент приобрел или использовал в прошлом, цель системы NBR - генерировать следующую корзину предметов, которые клиент хотел бы приобрести или потреблять дальше. В корзине предметы не имеют временного порядка и одинаково важны. NBR может быть дополнительно разделен на две похожие, но разные проблемы. Первая - это рекомендация по повторной покупке, называемаяКупи снова(BIA) Проблема, когда цель состоит в том, чтобы рекомендовать товары, которые клиенты уже приобрели, и делать это в то время, когда клиенты могут быть заканчиваются из товаров (ов). Второе - прилегающая рекомендация по вдохновению, или вам также может понравиться проблема, когда цель состоит в том, чтобы вдохновить клиентов покупать предметы, которые могут дополнить те, которые они купили раньше, или приобрели подобные клиенты. Хотя многие исследовательские документы по рекомендациям следующей корзины объединяют две подпрограммы, большинство розничных продавцов реализуют их как совершенно разные продукты на своих приложениях и веб -страницах.
Существующая работа в рекомендациях BIA была сосредоточена на моделировании вероятностей выкупа элементов с использованием вариантов рецидивирующих нейронных сетей или статистических моделей. Крупные ритейлеры обрабатывают сотни миллионов предметов и гостей, но большинство транзакций выкупа находятся на небольшом подмножестве предметов и гостей. Это может привести к недостатке для элементарных моделей, поскольку данные в конечном итоге представлены редко в очень высоком пространстве. В худшем случае сама обучение может стать невозможным из -за вычислительных ограничений ресурсов.
В этой работе мы подчеркиваем эффективность персонализированного частотного моделирования категорий по прогнозам BIA. Клиенты часто изучают варианты предмета или новых предметов в категории по таким причинам, как желание попробовать разные бренды, необходимость удовлетворить различные вкусовые предпочтения в семье клиента или наличие скидок на альтернативные предметы. Моделирование выкупа на основе категорий может эффективно отражать более высокую информацию о абстракции в этой динамике выкупа элементов. Как показано на рисунке 1, процент элементов, имеющих большое количество выкупа, является небольшим (рис. 1А), но большинство категорий демонстрируют высокие уровни выкупа (рис. 1B). Расхождение означает, что модели, направленные на выкуп категорий, могут быть более эффективными для удовлетворения гостевых предпочтений. Кроме того, из -за вышеупомянутого разреженности гораздо сложнее обучить модели рекомендаций BIA в результате выкупа предмет, чем на выкупе категории.
В этой работе мы подчеркиваем важность как персонализированной частоты продукта, так и моделей прогнозирования повторных покупок, чтобы сделать хорошие предсказания купить его снова. Более конкретно, мы отмечаем, что частота покупки продукта может быть скудной в прогнозировании выкупа клиентов, и обсуждаем, как использование персонализированной частоты категорий может быть лучшим выбором. Клиенты часто любят изучать новые предметы в категории.
В этой статье мы предлагаем двухуровневыйPCIC MODELДля рекомендаций BIA. Аперсонализированная модель категории(Модель ПК) предсказывает, какие категории клиенты будут покупать снова во время своего следующего посещения, иперсонализированный предмет в модели категорий(IC Model) предоставляет персонализированные ряды предметов в категориях. Окончательные рекомендации BIA для отдельных клиентов генерируются путем объединения обоих прогнозов. ПК-это нейронная сеть, которая выводит вероятности уровня категории для каждого клиента. Входные функции в ПК генерируются ансамблем алгоритмов машинного обучения временных рядов, которые отражают персонализированные показатели потребления каждой категории и предсказывают, когда клиенты будут покупать товары в каждой категории. IC-это регрессионная модель, которая прогнозирует рейтинг категории-агрории. Выходы двух моделей объединены для генерации персонализированных рекомендаций BIA для отдельных клиентов.
Мы сравниваем PCIC с двенадцатью существующими современными алгоритмами базовой линии искусства на четырех стандартных открытых наборах данных. PCIC улучшает NDCG до 16%, улучшая при этом примерно на 2%. Мы смогли масштабировать и обучать PCIC на большом наборе данных из 100 метров гостей и 3 -метровых предметов, где повторные категории гостевых пережителей повторяют предметы. PCIC был развернут в кластере Apache Spark, что позволило нам тренировать и набрать модель примерно через 8 часов. Это было A/B, протестированное на месте крупного розничного продавца, что привело к значительному росту вовлечения гостей.
Основной вклад этой работы, как показано ниже:
(1) Мы предлагаем иерархическую модель PCIC для рекомендаций «Купить его», которая сочетает в себе грубый прогноз по персонализированной модели категории (модель ПК) и более тонкозернистый прогноз персонализированным элементом в модели категории (модель IC). Мы показываем, как модель поддерживает наше понимание того, что клиенты, как правило, изучают бренды, размеры, ароматы и т. Д., Аналогично данному элементу в категории.
(2) We demonstrate that the proposed PCIC model outperforms existing baselines of public datasets. We also show that PCIC scales to large datasets.
(3) Мы развертываем PCIC в коммерческих условиях для предоставления рекомендаций BIA для миллионов клиентов. Мы демонстрируем улучшенный опыт гостей на сайте, о чем свидетельствуют множество тестов A/B. Мы обсуждаем наш опыт развертывания и масштабирования PCIC.
Эта статья есть
[1] Короткая версия этой статьи появляется в Recsys 2023
Оригинал