Characterization of Frequent Online Shoppers using Statistical Learning with Sparsity
ArangoDB Inc(ArangoDB公司);Chitek-i
开发让客户满意的购物体验需要企业了解客户的品味。这项工作报告了一种方法来学习经常购物者的购物偏好,以在线礼品店结合零售分析和统计学习的思想与稀疏。购物活动被表示为二分图。该图通过应用基于稀疏性的统计学习方法进行细化。这些方法是可解释的,并揭示了有关客户偏好以及产品驱动商店收入的见解。
2021-11-11 cs.LG
Universal Model in Online Customer Service
Amazon(亚马逊公司)
本文提出一种无需训练的通用模型,通过构建问题-标签存储库并结合信息检索与统计分析来预测客户问题标签,从而降低模型开发成本并缩短周期。
2024-02-24 cs.AI cs.IR cs.LG
Online-to-Offline Advertisements as Field Experiments
University of Southern California(南加利福尼亚大学);CyberAgent, Inc.(赛博艾金特公司)
在线广告已经成为当今最广泛使用的增强业务的工具之一,部分原因是它们与A/B测试兼容。A/B测试允许卖家找到有效的广告策略,如广告创意或细分。尽管有一些研究提出了一种技术,以最大限度地提高广告的效果,有足够的理解客户的离线购物行为邀请的在线广告。在这里,我们研究了接收在线广告的客户和普通客户(即,顾客自愿访问目标商店),以及这种差异的持续时间。我们通过31次A/B测试,分析了大约3000名用户的离线行为,以及他们的2350万条位置记录。我们首先展示了外部性,广告的客户穿越更大的区域比那些没有广告,这种空间差异持续几天后,他们的购物日。然后,我们发现这种广告外部性的长期影响,即邀请到线下商店的客户中的一定部分会重新访问这些商店。最后,基于此重访效应的研究结果,我们利用因果机器学习模型,提出了一个营销策略,以最大限度地提高重访率。我们的研究结果表明,广告吸引的客户有不同的行为特征,从普通客户。这项研究的结果表明,一个简单的分析可能低估了广告对企业的影响,并考虑外部性的分析可以吸引潜在的有价值的客户。
2020-10-21 cs.CY cs.HC cs.LG
An explainable machine learning-based approach for analyzing customers' online data to identify the importance of product attributes
Iran University of Science & Technology(伊朗科技大学)
本研究提出一种结合遗传算法与SHAP的博弈论机器学习方法,用于分析客户在线数据,识别产品属性重要性,并在真实笔记本电脑数据集上验证其优于基准方法,为产品设计提供全面启示。
2024-02-03 cs.GT cs.LG
Playing hide and seek: tackling in-store picking operations while improving customer experience
INESC TEC;Faculty of Engineering, University of Porto(波尔图大学工程学院)
零售业务的发展带来了新的挑战,并提出了如何重塑商店和供应链以满足在线渠道日益增长的需求的关键问题。全渠道零售商最近采取的措施之一是使用店内拣选来解决在线销售的增长,这允许使用现有资产来服务在线订单。然而,它带来了损害离线客户体验的缺点。为了实现拣选策略适应零售商店的动态客户流,我们正式提出了一个新的问题,称为动态店内拣选路由问题(diPRP)。在这个相关的问题- diPRP -一个采摘尝试挑选在线订单,同时尽量减少客户的遭遇。我们将问题建模为马尔可夫决策过程(MDP),并使用包括数学规划和强化学习组件的混合解决方案来解决它。合成实例的计算实验表明,该算法收敛到有效的政策。此外,我们应用我们的方法在一个大型的欧洲零售商的背景下,评估结果的建议政策的数量挑选和遇到的客户。我们的工作表明,零售商应该能够在不损害线下客户体验的情况下,扩大在线订单的店内拣选。与只关注拣选订单的策略相比,使用建议的解决方案方法学习的策略将客户接触的数量减少了50%以上。因此,为了追求充分权衡运营效率和客户体验的全渠道策略,零售商不能依赖于实际的简单化拣选策略,例如选择最短的可能路线。
2023-01-05 cs.LG math.OC
An Exploration of Clustering Algorithms for Customer Segmentation in the UK Retail Market
Sheffield Hallam University(谢菲尔德哈勒姆大学);University of Brighton(布莱顿大学)
本文利用英国零售数据集,基于RFM框架比较多种聚类算法,发现高斯混合模型在客户细分中表现最佳,轮廓系数达0.80。
2024-02-06 cs.AI cs.LG stat.AP
Online Learning and Distributed Control for Residential Demand Response
Harvard University(哈佛大学);ThinkEco Inc.(ThinkEco公司)
研究了激励型住宅需求响应中空调负荷自动调节的控制方法。关键的挑战是,客户对负荷调整的反应是不确定的,在实践中是未知的。在本文中,我们制定的AC控制问题在DR事件作为一个多周期的随机优化,集成了室内热动力学和客户选择退出状态转换。具体而言,机器学习技术,包括高斯过程和逻辑回归分别学习未知的热动力学模型和客户选择退出行为模型。我们考虑两个典型的DR目标的AC负载控制:1)最小化的总需求,2)密切跟踪调节功率轨迹。基于汤普森采样框架,我们提出了一种在线DR控制算法来学习客户行为,并制定实时AC控制方案。该算法考虑了各种环境因素对客户行为的影响,并以分布式方式实现,以保护客户的隐私。数值仿真结果表明,该算法的控制最优性和学习效率。
2021-06-12 cs.LG cs.SY eess.SY
Latent Aspect Detection from Online Unsolicited Customer Reviews
Amirkabir University of Technology(阿米卡比尔理工大学);Press’nXPress(Press’nXPress公司);University of Windsor(温莎大学)
在评论分析的背景下,方面是客户针对其意见和情感的产品和服务的特征。方面检测有助于产品所有者和服务提供商识别缺点并优先考虑客户的需求,从而保持收入并减轻客户流失。现有的方法集中于通过训练监督学习方法来检测方面的表面形式,当方面在评论中是潜在的时,监督学习方法就不起作用了。在本文中,我们提出了一种无监督的方法来提取方面的潜在出现。具体来说,我们假设客户在撰写评论时经历了两个阶段的假设生成过程:(1)在产品或服务可用的一组方面中决定一个方面,以及(2)从语言中可用的所有单词中编写与所选方面更相关的意见单词。我们采用潜在的Dirichlet分配来学习潜在的方面分布,以生成评论。基准数据集上的实验结果表明,我们提出的方法是能够提高最先进的方面是潜在的,没有表面形式的评论。
2022-04-14 cs.CL cs.IR cs.LG
Inventory Balancing with Online Learning
National University of Singapore(新加坡国立大学);Columbia University(哥伦比亚大学);Massachusetts Institute of Technology(麻省理工学院)
我们研究了一个一般性的问题,分配有限的资源,随着时间的推移异构客户模型的不确定性。每种类型的客户都可以使用不同的操作来服务,每个操作随机消耗一些资源组合,并为所消耗的资源返回不同的奖励。我们考虑一个通用模型,其中与每个(客户类型,动作)组合相关联的资源消耗分布是未知的,但是一致的,可以随着时间的推移而学习。此外,客户类型随时间到达的顺序是任意的,完全未知。我们克服了模型的不确定性和客户异质性的挑战,明智地合成两个算法框架,从文献:库存平衡,“保留”的一部分,每种资源的高回报的客户类型,以后可能会到达,和在线学习,它显示了如何“探索”的资源消耗分布的每种客户类型下不同的行动。我们定义了一个辅助问题,它允许现有的竞争比和遗憾界限无缝集成。此外,我们表明,我们的框架所产生的性能保证是紧的,也就是说,我们提供了一个信息理论的下限,这表明,从竞争比损失和损失的遗憾是相关的组合问题。最后,我们证明了我们的算法在公开的酒店数据集上的有效性。我们的框架是非常实用的,因为它不需要历史数据(没有拟合的客户选择模型,也没有预测客户的到来模式),并可用于在快速变化的环境中初始化分配策略。
2021-08-30 cs.AI cs.LG stat.ML
Streaming Bayesian Modeling for predicting Fat-Tailed Customer Lifetime Value
Ural Federal University(乌拉尔联邦大学)
本文提出适用于层次贝叶斯模型和GLMS的在线学习MCMC方法,并构建可泛化多种肥尾与薄尾分布的LTV模型,在大型移动应用商业数据上验证了有效性。
2023-12-01 cs.LG stat.AP stat.ME
A Causal Approach for Business Optimization: Application on an Online Marketplace
VIANAI Systems(VIANAI系统公司);Worthy(Worthy公司)
一个常见的销售策略是让客户经理(AE)主动接触潜在客户。然而,并不是所有的联系尝试都有积极的影响:有些尝试不会改变客户的决定,而另一些尝试甚至可能会干扰预期的结果。在这项工作中,我们建议使用因果推理来估计接触每个潜在客户的影响,并相应地设置接触政策。我们展示了这种方法的数据从值得的,在线珠宝市场。我们检查了Worthy的业务流程,以确定相关的决策和结果,并对如何做出这些决策和结果的假设进行了形式化。使用因果工具,我们选择了一个决策点,改善AE接触活动似乎是有希望的。然后,我们制定了一个个性化的政策,并建议只接触那些对我们有利的客户。最后,我们在3个月的时间内验证了A \B检验的结果,目标人群的物品交付率增加了22%(p值=0.026)。这项政策目前正在持续使用。
2022-07-13 cs.LG
Classifying variety of customer's online engagement for churn prediction with mixed-penalty logistic regression
利用大数据分析消费者行为可以为客户关系管理(CRM)中防止客户流失(流失)提供有效的决策工具。关注具有影响客户异质性的几种不同类别因素的CRM数据集(即,自助服务渠道的使用、服务持续时间和对营销行动的响应),我们提供了基于机器学习方法的客户流失率的新预测分析,该方法通过添加混合惩罚项来增强逻辑斯谛回归的分类。提出的惩罚性逻辑斯谛回归可以防止处理大数据时的过拟合,并在平衡中位数(绝对值)和均值(平方值)正则化的成本时最小化损失函数。我们展示了所提出的方法的分析特性及其在本研究中的计算优势。此外,我们研究了所提出的方法的性能与CRM数据集(具有大量的功能)在不同的设置下,有效地消除干扰(1)最不重要的功能和(2)敏感性从少数(流失)类。我们的实证结果证实了所提出的方法的预期性能完全符合常见的分类标准(即,准确度、精确度和召回率)来评估机器学习方法。
2021-07-13 cs.LG econ.EM stat.ML
Analyzing Customer Feedback for Product Fit Prediction
Data Reply GmbH(数据回复有限责任公司)
顾客在网上购买时装时最大的障碍之一是很难找到合适的产品。为了提供更好的在线购物体验,平台需要找到向客户推荐合适的产品尺寸和最合适的产品的方法。然而,这些推荐系统需要客户反馈,以便估计最合适的尺寸选择。这种反馈很少见,通常只能以自然文本的形式提供。在本文中,我们研究了使用自然语言处理技术从客户评论中提取产品匹配反馈。特别是,我们比较传统的方法与最近的迁移学习技术的文本分类,并分析他们的结果。我们的评估表明,迁移学习方法ULMFit不仅相对快速训练,而且在这项任务上达到了最高的准确性。提取的信息与实际尺寸推荐系统的集成留给未来的工作。
2019-08-28 cs.CL cs.LG
SizeFlags: Reducing Size and Fit Related Returns in Fashion E-Commerce
Zalando SE;Paris-Saclay University(巴黎萨克雷大学)
电子商业正以前所未有的速度增长,时尚行业最近见证了客户订购行为向更强大的在线购物的明显转变。然而,网上订购的时尚用品并不总是能找到顾客的衣柜。事实上,其中很大一部分最终被归还。在网上找到合身的衣服是非常具有挑战性的,也是时尚电子商业退货率提高的主要驱动力之一。尺寸和适合相关的回报严重影响1。顾客对网上购物的体验和不满; 2.通过增加碳足迹来改善环境; 3.在线时尚平台的盈利能力。由于不合身,顾客往往会退回他们喜欢但不合身的物品,他们不得不重新订购不同的尺寸。为了解决这个问题,我们引入了SizeFlags,这是一种基于弱注释大规模客户数据的概率贝叶斯模型。利用贝叶斯框架的优势,我们扩展了我们的模型,成功地整合了丰富的先验知识,从人类专家的反馈和计算机视觉智能。通过广泛的实验,大规模的A/B测试和对生产模型的持续评估,我们证明了所提出的方法在14个国家的在线时尚中稳健地减少与规模相关的回报方面的强大影响。
2021-06-07 cs.IR cs.LG
Online Residential Demand Response via Contextual Multi-Armed Bandits
Harvard University(哈佛大学);Zhejiang University(浙江大学)
住宅负荷具有很大的潜力,以提高电力系统的效率和可靠性,通过需求响应(DR)计划。住宅DR的一个主要挑战是处理未知和不确定的客户行为。以往的研究多采用学习技术来预测用户的DR行为,而忽略了时变环境因素的影响,这可能导致预测不准确和负荷调整效率低下。在本文中,我们考虑住宅DR问题的负载服务实体(LSE)的目的是选择一个最佳的客户子集,以最大限度地提高预期的负载减少与财政预算。为了学习环境影响下的不确定客户行为,将住宅DR问题转化为一个上下文多臂强盗(MAB)问题,提出了基于Thompson抽样的在线学习选择(OLS)算法,该算法考虑了上下文信息,适用于复杂的DR环境.数值仿真结果验证了该算法的学习有效性。
2020-05-17 cs.LG cs.SY eess.SY
Can Online Customer Reviews Help Design More Sustainable Products? A Preliminary Study on Amazon Climate Pledge Friendly Products
在线产品评论是产品开发人员改进产品设计的宝贵资源。然而,客户反馈对改善产品可持续性表现的潜在价值仍有待开发。本文调查和分析亚马逊的产品评论带来了新的光对以下问题:“什么可持续设计的见解可以识别或解释从在线产品评论?''.为此,收集、手动注释、分析和解释三个产品类别(笔记本电脑、打印机、电缆)的前100个评论(按星级平均分布)。对于每一个产品类别,我们会比较和结合两个类似产品(一个有环保认证,一个标准版本)的评论,以提出可持续的设计解决方案。总的来说,对于所考虑的六种产品,12%至20%的评论直接或间接地提到了可以利用的方面或属性,以从可持续性的角度改进这些产品的设计。具体的例子,可持续发展的设计线索,可以从产品审查和讨论。因此,这一贡献为未来的工作提供了一个基线,愿意自动化这一过程,以获得进一步的见解,从在线产品评论。值得注意的是,机器学习工具的部署和使用自然语言处理技术来做到这一点进行了讨论,作为未来研究的有前途的路线。
2021-12-20 cs.CY cs.IR cs.LG
Data-Driven Dynamic Assortment in Online Platforms: Learning about Two Sides
IE Business School, IE University(IE大学商学院);Kenan-Flagler Business School, The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校肯纳-弗拉格勒商学院)
针对双边服务平台,提出一种数据驱动算法,在未知顾客和卖家选择参数的情况下动态优化商品分类,并证明其遗憾值随时间呈多对数增长且达到最优速率。
2026-06-11 cs.LG math.OC math.PR
An LSTM-Based Dynamic Customer Model for Fashion Recommendation
Zalando Research(Zalando 研究院)
在线时装销售为个性化推荐提供了一个具有挑战性的用例:商店提供多种尺寸的各种商品。小库存,高回报率,季节性和不断变化的趋势导致所有时间尺度上的持续营业额。顾客往往很少购物,但经常一次购买多件商品。我们报告了欧洲领先的在线时尚平台Zalando的10万频繁购物者的销售数据的回测实验。为了模拟不断变化的客户和商店环境,我们的推荐方法采用了一对神经网络:为了克服冷启动问题,前馈网络在“时尚空间”中生成文章嵌入,作为递归神经网络的输入,递归神经网络根据客户过去的购买顺序为每个客户预测该空间中的风格向量。我们将我们的结果与静态协同过滤方法和流行度排名基线进行比较。
2017-08-24 cs.IR cs.LG
Online Learning of Aggregate Knowledge about Non-linear Preferences Applied to Negotiating Prices and Bundles
在本文中,我们考虑一种形式的多问题谈判,其中一个商店谈判的内容和价格的捆绑货物与他的客户。我们提出了一些关键的见解,以及一个程序,定位互利的替代品,目前正在谈判的捆绑。我们的方法的本质在于将客户偏好的汇总(匿名)知识与正在进行的谈判过程中的当前数据相结合。所开发的程序要么与已经获得的综合知识一起工作,要么在没有这种知识的情况下,在线学习相关信息。我们用具有非线性偏好的模拟客户进行计算机实验。我们展示了如何,对于不同类型的客户,具有不同的谈判技巧,我们的程序(有和没有必要的汇总知识)增加了交易达成的速度,以及与基准相比,达成交易的数量和帕累托效率。
2004-12-23 cs.GT cs.LG cs.MA
Regularised Text Logistic Regression: Key Word Detection and Sentiment Classification for Online Reviews
National University of Singapore(新加坡国立大学)
对于酒店和餐饮行业的经理和高管来说,在线客户评论已经变得非常重要,他们希望全面了解客户的需求和期望。我们提出了一个正则化文本逻辑(RTL)回归模型来对非结构化文本数据进行文本分析和情感分类,该模型自动识别一组统计上显着且具有操作洞察力的单词特征,并实现了令人满意的预测分类精度。我们将RTL模型应用于TripAdvisor的两个在线评论数据集,餐厅和酒店。我们的研究结果表明,令人满意的分类性能相比,替代分类器的最高真阳性率为94.9%。此外,RTL识别了一小部分单词特征,对应于餐厅的3%和酒店的20%,这通过允许经理深入到更小的重要客户评论集合来提高工作效率。我们还发展了估计量的相合性、稀疏性和预言性。
2020-09-09 cs.CL cs.LG stat.ML
Beyond Means: A Dynamic Framework for Predicting Customer Satisfaction
ETH Zurich, Switzerland(苏黎世联邦理工学院,瑞士);LMU Munich & Munich Center for Machine Learning (MCML), Germany(慕尼黑大学 & 慕尼黑机器学习中心(MCML),德国);University of Cologne, Germany(科隆大学,德国)
针对现有评分聚合方法无法适配质量时序变化、忽略评论异质性的问题,提出定制化高斯过程评分聚合模型,基于Yelp数据集验证其可提升未来评分预测精度,为在线声誉系统提供更准确的满意度信号。
2025-11-18 cs.LG
Function Design for Improved Competitive Ratio in Online Resource Allocation with Procurement Costs
University of Washington(华盛顿大学)
我们研究了在线资源分配问题,多个客户顺序到达,卖方必须合理地分配资源给每个传入的客户,同时也面临着采购成本的总分配。假设资源采购遵循一个先验已知的边际递增费用函数,目标是最大化从满足客户的要求获得的回报,而不累积采购成本。我们分析了原始对偶法在这种情况下的竞争比,并开发了一个优化框架来合成一个代理函数的采购费用函数的算法所使用的,以提高竞争比的原始对偶法。我们的第一种设计方法侧重于多项式采购费用函数,并使用最佳代理函数,以提供一个更精细的约束比最先进的状态。我们的第二种设计方法使用拟凸优化,以找到最优设计参数为一般类的采购费用函数。数值例子被用来说明设计技术。最后,我们通过扩展分析来设计一个发布的定价机制,该算法不需要客户的偏好被揭示。
2020-12-23 cs.LG math.OC stat.ML
MNL-Bandits under Inventory and Limited Switches Constraints
City University of Hong Kong(香港城市大学)
优化向客户展示的产品种类是增加线下和在线零售商收入的关键。为了在探索顾客偏好和利用顾客从数据中学习到的选择之间取得平衡,本文采用多项标称Logit(MNL)选择模型来捕捉顾客对产品的选择,研究了零售商在计划期$T$内以利润最大化为目标的最优补偿问题。为了使问题设置更实际,我们考虑了库存约束和有限开关约束,其中零售商不能用完资源库存之前的时间$T$,并禁止切换的品种显示给客户太多次。这样的设置适合在线零售商想要动态地优化客户群体的分类选择的情况。我们开发了一个有效的UCB类算法,以优化调度,同时从数据中学习客户的选择。我们证明了我们的算法可以实现一个次线性遗憾界$\tilde{O}\left(T^{1-α/2}\right)$,如果$O(T^α)$开关是允许的。%,我们的遗憾界是最优的$T$。大量的数值实验表明,我们的算法优于基线和我们的算法的性能和理论上界之间的差距是小的。
2022-04-22 cs.LG
A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints
Politecnico di Milano(米兰理工大学)
针对带销售约束、需求不确定的顺序展示互补品动态定价问题,将其建模为带约束的马尔可夫决策过程,提出原对偶在线优化算法,实验表明该方法在约束违反和悔值上优于单状态优化基线。
2024-07-08 cs.LG math.OC
The Longer the Better? The Interplay Between Review Length and Line of Argumentation in Online Consumer Reviews
University of Freiburg(弗莱堡大学);University of Giessen(吉森大学)
评论有用性是了解在线零售商平台上客户购买决策过程的焦点。绝大多数以前的作品发现长评论比短评论更有帮助。在本文中,我们建议,较长的评论不应该被认为是统一更有帮助的,相反,我们认为,效果取决于线的论证在审查文本。为了测试这个想法,我们使用了来自亚马逊的大量客户评论数据集,并结合了自然语言处理的最先进方法,该方法使我们能够在句子级别上研究论证行。我们的实证分析表明,论证的变化频率的调节效果的审查长度的有用性。总之,我们反驳了流行的叙述,即较长的评论被一致认为是更有帮助的。我们的研究结果使零售商平台能够改进其客户反馈系统,并提供更有用的产品评论。
2019-09-26 cs.CL cs.LG
Online Learning and Matching for Resource Allocation Problems
University of California, Irvine(加州大学欧文分校);DAMO Academy, Alibaba US(阿里巴巴美国达摩院);Amherst College(阿默斯特学院);University of California, Los Angeles(加州大学洛杉矶分校);University College London(伦敦大学学院);Purdue University(普渡大学)
为了使电子商务平台的收入最大化,它必须向客户推荐他们最有可能购买的商品。但是,公司通常对这些项目有业务约束,例如库存中每个项目的数量。在这项工作中,我们的目标是向用户推荐项目,因为他们在网页上顺序到达,在一个在线的方式,以最大限度地提高公司的回报,但也满足预算限制。首先,我们接近一个简单的在线问题,其中客户到达作为一个平稳的泊松过程,并提出了一个集成的算法,进行在线优化和在线学习在一起。然后,我们使模型更复杂,但更现实,治疗的到达过程作为非平稳泊松过程。为了处理异质客户到达,我们提出了一个时间分割算法,将一个非平稳问题转化为一系列的平稳问题。在大规模合成数据上进行的实验表明,我们提出的方法在解决约束资源分配问题上是有效的。
2019-11-18 cs.LG math.OC stat.ML
Enhancing Airline Customer Satisfaction: A Machine Learning and Causal Analysis Approach
Georgia Institute Of Technology(佐治亚理工学院)
本研究结合机器学习与因果推断方法,聚焦在线值机登机牌体验,验证了航空客服数字化改进可显著提升客户满意度,为航司以数据驱动优化体验、提升竞争力提供了决策依据。
2024-05-15 cs.LG stat.ME
An Opportunistic Bandit Approach for User Interface Experimentation
University of California, Davis(加州大学戴维斯分校);Target Corporation(塔吉特公司)
面对来自网上竞争对手的日益激烈的竞争,零售业正越来越多地投资于其网上购物平台,以赢得客户忠诚度的高风险战斗。用户体验在这场竞争中发挥着至关重要的作用,零售商正在不断试验和优化其用户界面,以获得更好的用户体验。实验的成本主要由向客户提供次优服务的机会成本决定。通过本文,我们证明了机会主义强盗的有效性,使实验尽可能便宜,使用真实的在线零售数据。事实上,我们将用户界面实验建模为一个机会主义的强盗问题,其中探索的成本根据从客户特征中提取的因素而变化。我们通过减少昂贵的探索和提供额外的上下文信息来帮助指导测试过程,从而大大减少了遗憾。此外,我们分析了使用机会主义强盗在线零售实验的优势和挑战。
2020-06-21 cs.LG stat.ML
Assortment Optimization under Unknown MultiNomial Logit Choice Models
本文以电子商务为背景,研究了在线商品分类优化问题。卖家提供一个分类,即产品的子集,每个到达的客户,谁然后购买一个或没有产品从她提供的分类。客户的购买决策由基础的多项Logit(MNL)选择模型控制。卖方的目标是最大限度地提高总收入在一个有限的销售范围内,受资源约束和不确定性的MNL选择模型。我们首先提出了一个有效的在线政策,招致遗憾$\tilde{O}(T^{2/3})$,其中$T$是在销售范围内的客户数量。然后,我们提出了一个UCB政策,实现了遗憾$\tilde{O}(T^{1/2})$。两个后悔界限都是次线性的。
2017-04-01 cs.LG
Fairness-aware Online Price Discrimination with Nonparametric Demand Models
Leonard N. Stern School of Business, New York University(纽约大学莱昂纳德·N·斯特恩商学院);Department of Mathematical Sciences, Tsinghua University(清华大学数学科学系);Department of Industrial and Enterprise Systems Engineering, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校工业与企业系统工程系)
本文研究公平性约束下的动态差别定价问题,提出严格价格公平和软公平约束下的动态定价策略,证明最优遗憾为 $\tilde{O}(T^{4/5})$,并扩展至多客户群体等一般场景。
2023-07-28 cs.LG stat.ML
Fairer LP-based Online Allocation via Analytic Center
Stanford University(斯坦福大学);Imperial College Business School(帝国理工学院商学院)
在本文中,我们考虑一个在线资源分配问题,决策者接受或拒绝传入的客户请求,以最大限度地提高预期的回报有限的资源。在每一次,一个新的订单/客户/出价被揭示与一些资源和奖励的请求。我们考虑一个随机设置,所有的订单是独立同分布。从未知的分布中取样。这样的公式产生于许多经典的应用,如规范(基于数量)的网络收入管理问题和Adwords问题。虽然有关这一主题的文献主要集中在遗憾最小化,我们认为\textit{fairness}方面的问题。在高层次上,我们定义的公平性的方式,公平的在线算法应该对待类似的代理/客户类似,并作出类似的代理/客户的决定应该是一致的,随着时间的推移。为了实现这一目标,我们定义了公平的离线解决方案作为离线最优解集的分析中心,并引入\textit{cumulative unfairness}作为随着时间的推移从在线解决方案到公平的离线解决方案的累积偏差。我们提出了一个公平的算法的基础上的一个相邻点LP求解器和一个机制,动态检测不公平的资源消耗。该算法实现了在$O(\log(T))$阶尺度上的累积不公平性,同时保持了对$T$不依赖的遗憾有界性.此外,与文献相比,我们的结果是在对基本线性规划的退化性限制较少的假设下产生的。
2022-05-02 cs.CY cs.DS cs.LG
A Meta-learning based Stacked Regression Approach for Customer Lifetime Value Prediction
Queen Mary University of London(伦敦玛丽女王大学)
针对客户终身价值预测中现有模型特征处理受限及深度学习复杂度高的问题,提出一种结合bagging和boosting的基于元学习的堆叠回归模型,兼具简单性、可解释性与有效性。
2023-08-07 cs.AI cs.LG
Analysing Cyberbullying using Natural Language Processing by Understanding Jargon in Social Media
Delhi Technological University(德里理工大学)
网络欺凌在今天极为普遍。儿童和其他弱势群体中的网络仇恨评论、毒性、网络欺凌只会随着在线课程的增加而增加,社交平台的使用也会增加,特别是在COVID-19之后。在社交平台上检测和确保未成年人的安全至关重要,以便自动检测任何暴力或仇恨犯罪并采取严厉措施。在我们的工作中,我们通过使用来自各种社交媒体平台的数据集的组合来探索二元分类,这些数据集涵盖了性别歧视,种族主义,辱骂和仇恨言论等广泛的网络欺凌。我们通过多种模型进行实验,如Bi-LSTM,GloVe,最先进的模型,如BERT,并通过引入俚语滥用语料库应用独特的预处理技术,与没有俚语预处理的模型相比,实现了更高的精度。
2021-04-23 cs.CL cs.LG
E-Commerce Promotions Personalization via Online Multiple-Choice Knapsack with Uplift Modeling
促销和折扣是现代电子商业平台的重要组成部分,通常用于激励客户完成购买。促销活动也会影响收入,并可能导致经常受到专用促销预算限制的金钱损失。我们研究的在线约束多选择促销个性化问题,其中的优化目标是为每个客户选择的促销,以最大限度地提高购买完成,同时也符合全球预算的限制。我们的工作形式化的问题作为一个在线多选择背包问题,并通过解决负权重和值的情况下,现有的文献进行了扩展。我们提供了一种实时的自适应方法,保证了预算约束的合规性,并在各种数据集上实现了99.7%以上的最佳促销效果。我们的方法在世界领先的在线旅游平台之一的大规模实验研究中进行了评估。
2021-08-31 cs.AI cs.IR cs.LG
Dynamic Learning with Frequent New Product Launches: A Sequential Multinomial Logit Bandit Problem
University of California, Berkeley(加州大学伯克利分校);IBM Research(IBM研究院)
受企业推出新产品以跟上顾客快速变化的品味这一现象的启发,我们考虑了一种新颖的在线学习设置,其中利润最大化的卖家需要通过提供推荐来了解顾客的偏好,该推荐可能包含现有产品和在销售期间推出的新产品。我们提出了一个序列多项logit(SMNL)模型来描述客户的行为时,产品推荐是在层次。对于已知客户偏好的离线版本,我们提出了一个多项式时间算法,并描述了最优分层产品推荐的性质。对于在线问题,我们提出了一种学习算法,并量化了它的遗憾界。此外,我们扩展了设置,以纳入一个约束,以确保每个新产品都学习到给定的精度。我们的研究结果表明,层次结构可以用来减轻与学习新产品相关的风险。
2019-04-29 cs.LG stat.ML
Online Sparsification of Bipartite-Like Clusters in Graphs
School of Informatics, University of Edinburgh, Edinburgh, United Kingdom(信息学院,爱丁堡大学,爱丁堡,英国)
本文研究了图中的类二部聚类问题,提出了在无向图和有向图中寻找此类聚类的高效在线稀疏化算法,并在合成与真实数据集上验证了该算法能显著加速现有聚类算法且保持其有效性。
2025-08-07 cs.DS cs.LG
Cascade Submodular Maximization: Question Selection and Sequencing in Online Personality Quiz
Naveen Jindal School of Management, University of Texas at Dallas(德克萨斯大学达拉斯分校纳文·金达尔管理学院);Department of Computer Science, University of Texas at Dallas(德克萨斯大学达拉斯分校计算机科学系)
个性测验是一个强大的工具,通过主动向客户提出问题来进行客户细分,营销人员正在使用它作为产生潜在客户和增加电子商务销售的有效方法。本文研究了如何对一组测试题进行选择和排序,从而优化客户细分质量的问题。我们假设客户将按顺序浏览问题列表。在阅读一个问题后,客户会做出两个可能相关的随机决定:1)她首先决定是否回答这个问题,然后2)决定是否继续阅读下一个问题。我们进一步假设已经回答的问题的效用可以被单调和子模函数捕获。在一般情况下,我们的问题属于非自适应主动学习为基础的客户分析的类别。请注意,在我们的模型下,问题被回答的概率取决于该问题的位置,以及放置在该问题之前的其他问题的集合,这使得我们的问题与现有的子模块优化研究根本不同。我们开发了一系列的问题选择和排序策略与可证明的性能界。虽然我们在本文中侧重于问答设计的应用,我们的结果适用于广泛的应用,包括搭配优化与位置偏差效应。
2020-12-26 cs.LG cs.SI
Sentiment Analysis on Customer Responses
University of Southern California(南加州大学);Caltech(加州理工学院)
情感分析是计算机科学中发展最快的研究领域之一,这使得跟踪该领域中的所有活动变得具有挑战性。我们提出了一个客户对产品的反馈评论,我们利用意见挖掘,文本挖掘和情感,这已经影响了周围的世界,改变了他们对特定产品的看法。本研究中使用的数据是从Amazon.com收集的在线产品评论。我们对检索到的评论进行了比较情感分析。这篇研究论文为您提供了对智能手机的各种智能手机意见的情感分析,将其分为积极,消极和中性行为。
2020-07-05 cs.CL cs.IR cs.LG
Aggregated Customer Engagement Model
Amazon(亚马逊)
电子商务网站使用机器学习的排名模型为客户提供购物结果。通常,网站记录客户搜索事件,其中包括输入的查询以及与购物结果的结果参与,例如点击和购买。每个客户搜索事件都充当模型的输入训练数据,而单个客户参与度则充当客户偏好的信号。因此,例如,购买的购物结果被认为比不重要的购物结果更重要。然而,新的或印象不足的产品没有足够的客户参与信号,最终在与流行产品并列时处于不利地位。在本文中,我们提出了一种新的数据策展方法,该方法将同一查询在一天内的所有客户互动聚合起来,用作输入训练数据。这种聚合的客户参与度为模型提供了购物结果相对重要性的完整画面。基于此聚合数据的训练模型可以减少对行为特征的依赖。这有助于缓解冷启动问题,并将相关新产品推到搜索结果的顶部。在本文中,我们提出了离线和在线分析和结果比较的个人和聚合的客户参与模型训练的电子商务数据。
2021-08-17 cs.LG stat.ML
Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model
Chewy Inc(Chewy公司);Pace Institute of Technology and Atlanta, USA(佩斯理工学院和亚特兰大美国);Nitte Meenakshi Institute of Sciences(尼特梅恩克希科学学院);Lovely Professional University(洛丽专业大学);Infinity Tech Group(无限科技集团);University(大学)
提出混合Ret-DNN与XGBoost模型,通过特征提取和梯度提升预测客户购买概率,在UK零售数据集上MAE达0.2193。
2026-06-17 cs.LG
Sequential Behavioral Data Processing Using Deep Learning and the Markov Transition Field in Online Fraud Detection
CreditX Inc.(CreditX公司);JD Finance Inc.(京东金融公司)
由于互联网和智能移动设备的普及,越来越多的金融交易和活动已经数字化。与使用信用相关特征的传统金融欺诈检测策略相比,客户每秒都会生成大量非结构化行为数据。在本文中,我们提出了一种基于递归神经网络(RNN)的深度学习结构,该结构集成了马尔可夫转移场(MTF),用于使用客户与网站或智能手机应用程序的交互作为一系列状态来预测在线欺诈行为。在实践中,我们测试和证明,所提出的网络结构处理序列行为数据可以显着提高欺诈预测能力相比,多层感知器网络和基于距离的分类器与动态时间规整(DTW)的距离度量。
2018-08-16 cs.IR cs.LG stat.ML
Causative Cyberattacks on Online Learning-based Automated Demand Response Systems
本文探讨了基于AI的自动需求响应系统在开放通信信道下的因果型数据完整性网络攻击漏洞,并基于纽约大学校园建筑数据设计了数据驱动攻击策略,验证了篡改实时激励、事件数据和用户响应的可行性与影响。
2023-07-27 cs.CR cs.LG cs.SY
A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data
Amazon Retails(亚马逊零售);Amazon AWS(亚马逊云科技)
本文提出一种端到端基于Transformer的替代品推荐模型,将推荐转化为语言匹配问题并融合产品功能,通过新方法对弱监督行为信号去噪,支持多语言,在线A/B实验显示收入提升19%。
2023-04-08 cs.AI cs.CL cs.IR
Modeling Product Search Relevance in e-Commerce
Carnegie Mellon University(卡内基梅隆大学)
随着电子商业的快速发展,在线产品搜索已经成为一种流行的和有效的范例,为客户找到所需的产品和从事网上购物。然而,在客户真正希望购买的产品与响应于来自客户的查询而建议的产品的相关性之间仍然存在很大的差距。在本文中,我们提出了一个强大的方法来预测相关性分数给定的搜索查询和产品,使用涉及机器学习,自然语言处理和信息检索技术。我们将传统的信息检索模型(如BM 25和Indri)与深度学习模型(如word2vec、page2vec和paragraph2vec)进行了比较。我们分享一些我们的见解和发现,从我们的实验。
2020-01-14 cs.CL cs.IR cs.LG
DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
Swinburne University of Technology(斯威本科技大学)
提出DysLexLens框架,通过字典过滤、知识图谱推理和评估机制,从低资源论坛数据中分析阅读障碍学习者对AI工具的使用体验。
2026-06-29 cs.AI cs.CL cs.HC
Achieving Counterfactual Fairness for Causal Bandit
University of Arkansas(阿肯色大学)
在在线推荐中,客户从底层分布以顺序和随机的方式到达,并且在线决策模型基于某种策略为每个到达的个体推荐所选物品。我们研究如何在每一步推荐一个项目,以最大化预期回报,同时实现用户端公平的客户,即,共享相似简档的客户将接收相似的奖励,而不管他们的敏感属性和被推荐的项目。通过将因果推理纳入土匪和采用软干预来模拟手臂选择策略,我们首先提出了基于d-分离的UCB算法(D-UCB),以探索利用d-分离集来减少所需的探索量,以实现低累积遗憾。在此基础上,我们提出了公平因果强盗(F-UCB)实现反事实的个人公平。理论分析和实验验证了算法的有效性。
2021-09-21 cs.AI cs.CY cs.LG
Distribution Shift in Airline Customer Behavior during COVID-19
University of Illinois(伊利诺伊大学);Deepair LLC(Deepair有限责任公司);University of Notre Dame(圣母大学)
定制(个性化)上下文定价应用程序中的传统人工智能方法假设在线定价时的数据分布与训练期间观察到的数据分布相似。然而,由于客户购买模式的动态性质,特别是由于COVID-19等意外的系统冲击,这一假设在实践中可能会被违反。我们研究了一家大型航空公司在COVID-19大流行期间的客户行为变化,将其视为协变量偏移和概念漂移检测问题。我们确定哪些客户改变了他们的旅行和购买行为,以及影响这种变化的属性,使用(i)快速广义子集扫描和(ii)因果森林。在我们的模拟和真实世界的数据实验中,我们提出了如何通过定性分析使用这两种技术。
2021-12-23 cs.AI cs.CE cs.LG
Categorizing Online Shopping Behavior from Cosmetics to Electronics: An Analytical Framework
University of California, Berkeley(加利福尼亚大学伯克利分校);Volvo Cars Technology(沃尔沃汽车技术公司)
在数字营销时代,现代公司的一个成功因素是了解客户如何根据他们的在线购物模式思考和行为。虽然通过问卷和调查收集消费者见解的传统方法仍然是市场情报部门描述性分析的基础,但我们提出了一个机器学习框架来自动化这一过程。在本文中,我们提出了一个模块化的消费者数据分析平台,处理用户和产品之间的会话级别的交互记录,以预测会话级别,用户旅程级别和客户行为的特定模式导致购买事件。我们探索的计算框架,并提供两个大数据集的化妆品和消费电子产品的大小分别为2GB和15 GB的测试结果。该系统实现了97-99%的分类准确率和召回率的用户旅程级购买预测和分类购买行为分为5个集群与两个数据集的购买比例增加。因此,所提出的框架可扩展到其他大型电子商务数据集,以获得自动购买预测和描述性消费者见解。
2020-10-06 cs.CY cs.LG