Deep Q-Network-based Adaptive Alert Threshold Selection Policy for Payment Fraud Systems in Retail Banking
University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；Columbia University（哥伦比亚大学）
机器学习模型已广泛应用于欺诈检测系统中。大多数研究和开发工作都集中在提高欺诈评分模型的性能上。然而，下游欺诈警报系统仍然限制到没有模型采用，并且依赖于手动步骤。警报系统广泛应用于零售银行的所有支付渠道，在整个欺诈检测过程中发挥着重要作用。当前的欺诈检测系统由于无法考虑警报处理能力而导致大量警报被丢弃。理想情况下，警报阈值选择使系统能够最大限度地检测欺诈，同时平衡上游欺诈分数和警报处理团队的可用带宽。然而，在实践中，为了简单而使用的固定阈值不具有这种能力。在本文中，我们提出了一个增强的阈值选择策略的欺诈警报系统。所提出的方法将阈值选择公式化为顺序决策问题，并使用基于深度Q网络的强化学习。实验结果表明，这种自适应方法优于目前的静态解决方案，减少欺诈损失，以及提高警报系统的运行效率。
2020-10-21 cs.AI cs.LG
Exploring Multi-Banking Customer-to-Customer Relations in AML Context with Poincaré Embeddings
IBM Global Business Services（IBM全球企业咨询服务部）；IBM Lithuania, Client Innovation Center Baltic（IBM立陶宛波罗的海客户创新中心）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）
近年来，洗钱计划的复杂性和实现速度都有所增加，影响到全球金融机构和数百万客户。加强的隐私政策以及国内法规使银行难以内部和交叉共享，并报告AML（反洗钱）措施的可疑活动。用于AML分析和信息共享的现有拓扑和模型受到重大限制，例如符合监管约束，扩展基础设施以运行高计算算法，数据质量和跨度，证明执行，联合和解释繁琐且成本高昂。本文提出了一种新的拓扑结构，探索多银行客户的社会关系在AML的上下文中-客户对客户，客户对交易，交易对交易-使用3D建模拓扑代数通过庞加莱嵌入制定。
2020-06-22 cs.CY cs.LG cs.SI
MQLV: Optimal Policy of Money Management in Retail Banking with Q-Learning
University of Luxembourg（卢森堡大学）；Columbia University（哥伦比亚大学）；BCEE
强化学习已经成为训练具有人类水平性能的计算机游戏仿真器的最佳方法之一。在强化学习方法中，通过一组动作或决策来学习最佳价值函数，这会导致一组给予不同奖励的状态，目标是最大化总体奖励。策略为每个状态-动作对分配一个预期回报。我们称最优策略为价值函数为最优的策略。QLBS（Q-Learner in the Black-Scholes（-Merton）Worlds）将强化学习的概念和流行的Q-学习算法应用于Black、Scholes和Merton的金融随机模型。然而，它专门针对几何布朗运动和香草选项进行了优化。因此，它的应用范围仅限于金融市场中的普通期权定价。我们提出了MQLV，Vasicek模型的改进Q学习器，一种新的强化学习方法，它根据客户的汇总金融交易确定最优的资金管理策略。它开启了建立个性化信用卡限额或满足银行贷款申请的新领域，目标是零售银行业。MQLV将模拟扩展到均值回复随机扩散过程，并使用数字函数（以离散形式表示的Heaviside阶跃函数）来估计未来事件（如支付违约）的概率。在我们的实验中，我们首先展示了一组历史金融交易和Vasicek生成的交易之间的相似性，然后，我们强调了MQLV在生成的Monte Carlo模拟上的潜力。最后，MQLV是第一个基于Q-learning Vasicek的方法，解决了零售银行业务中透明的决策过程。
2019-08-21 cs.LG stat.ML
Towards Intelligent Risk-based Customer Segmentation in Banking
Macquarie University（麦考瑞大学）
业务流程，即，为实现业务目标而进行的一系列协调任务和活动，以及它们的持续改进是任何组织运作的关键。在银行业中，业务流程的动态性越来越强，因为各种技术使动态流程变得更加普遍。例如，客户细分，即，基于共同的活动和行为对相关客户进行分组的过程可以是数据驱动的和知识密集型的过程。在本文中，我们提出了一个智能数据驱动的管道，由一组处理元素组成，将客户的数据从一个系统移动到另一个系统，将数据转换为上下文数据和知识。我们的目标是提出一种新的智能客户细分过程，自动化的特征工程，即，在银行业领域，使用（银行业）领域知识通过数据采掘技术从原始数据中提取特征的过程。我们采用一个典型的场景分析客户交易记录，强调如何提出的方法可以显着提高质量的风险为基础的客户细分的特征工程的情况下，因此，我们提出的方法是能够实现91%的准确率相比，经典的方法在检测，识别和分类交易的正确分类。
2020-09-29 cs.CY cs.IR cs.LG
XtracTree: a Simple and Effective Method for Regulator Validation of Bagging Methods Used in Retail Banking
National Bank of Canada（加拿大国家银行）；Université du Québec à Montréal (UQAM)（魁北克大学蒙特利尔分校）
Bootstrap聚合，称为bagging，是机器学习（ML）中最流行的集成方法之一。集成方法是将多个假设组合以形成用于预测的单个假设的ML方法。Bagging算法将基于同一数据集的不同子样本建模的多个分类器组合起来，以构建一个大型分类器。如今，银行及其零售银行业务正在使用ML算法的强大功能，包括决策树和随机森林，以优化其流程。然而，银行必须遵守监管机构和治理，因此，提供有效的ML解决方案是一项具有挑战性的任务。它从银行的验证和治理部门开始，然后在生产环境中部署解决方案，直到国家金融监管机构的外部验证。每个提出的ML模型都必须经过验证，并且必须为每个基于算法的决策提供明确的规则。在这种情况下，我们提出了XtracTree，一种算法，能够有效地转换ML装袋分类器，如随机森林，到简单的“如果，那么”规则，满足模型验证的要求。我们使用来自Kaggle的公共贷款数据集来说明我们方法的有用性。我们的实验表明，使用XtracTree，可以将ML模型转换为基于规则的算法，从而使国家金融监管机构和银行验证部门更容易进行模型验证。拟议的方法使我们的银行机构能够将我们的人工智能解决方案交付给最终用户的时间缩短50%。
2021-08-17 cs.AI cs.LG stat.ML
Beyond Churn: Predicting Financial Fragmentation in Retail Banking with Temporal Machine Learning
Royal Bank of Canada（加拿大皇家银行）
本研究提出四阶段XGBoost级联时序机器学习系统，基于零售银行多源数据预测客户90天内的金融碎片化（资金向外部转移），取得多项高精度指标，为客户留存决策提供实用支撑。
2026-09-01 cs.LG
Predicting and Explaining Customer Data Sharing in the Open Banking
Federal University of Rio Grande do Sul（南里奥格兰德州联邦大学）；Ghent University（根特大学）；Fundação Getúlio Vargas（热图利奥·瓦加斯基金会）
本研究基于320万巴西银行客户数据，结合ADASYN与NEARMISS平衡策略训练XGBoost模型预测开放银行数据共享倾向，并通过SHAP与CART揭示移动端参与度和信贷特征是关键驱动因素。
2025-06-28 cs.LG q-fin.GN
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
Modelling customer churn for the retail industry in a deep learning based sequential framework
University of Essex（埃塞克斯大学）；Profusion Media Ltd.（Profusion传媒有限公司）；Essex Business School（埃塞克斯商学院）；Friedrich-Alexander University Erlangen-Nuremberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
提出基于循环神经网络的深度生存框架，仅依赖个体客户行为预测非合同零售环境下的客户流失，避免了耗时特征工程。
2023-04-02 cs.LG stat.AP stat.ML
Retail Market Analysis
New York University（纽约大学）
本项目利用历史销售数据、搜索趋势和客户评论分析零售市场趋势，通过识别模式和热门产品，为零售商提供优化库存管理和营销策略的见解，以提升客户满意度并最大化收入。
2025-01-20 cs.LG q-fin.GN
User-Device Authentication in Mobile Banking using APHEN for Paratuck2 Tensor Decomposition
University of Luxembourg（卢森堡大学）
本文研究了如何利用Paratuck2张量分解和APHEN算法提高移动银行应用中的用户-设备认证效率，以增强个人财务广告的效果。
2019-05-23 cs.CE cs.LG cs.NA
Retail store customer behavior analysis system: Design and Implementation
VNU University of Engineering and Technology（越南国立大学工程技术大学）；Dai Nippon Printing Co., Ltd.（大日本印刷株式会社）
本文提出一个包含数学建模、基于深度学习的行为分析及可视化三部分的零售店顾客行为分析框架，并使用真实零售店数据验证了各模块及整个系统的有效性。
2023-09-05 cs.CV cs.HC cs.LG
Efficient Retail Video Annotation: A Robust Key Frame Generation Approach for Product and Customer Interaction Analysis
Amazon（亚马逊）
提出一种基于深度学习的零售视频关键帧自动识别与标注方法，通过目标检测技术实现高效标注，在保持与人工标注同等准确率的同时，平均节省2倍成本并仅需人工验证少于5%的帧。
2025-06-19 cs.AI cs.CV cs.HC
Modelling Customer Trajectories with Reinforcement Learning for Practical Retail Insights
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（魁北克人工智能研究所）
本文提出了一种基于智能体的建模框架，将客户轨迹预测转化为最大熵强化学习问题，以更准确地反映具有有限理性的客户行为，从而提供更精确的冲动购买率和货架交通密度估计。
2026-05-18 cs.AI cs.LG
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
Simulation-Based Benchmarking of Reinforcement Learning Agents for Personalized Retail Promotions
Bain & Company, Inc.（贝恩公司）；New York University（纽约大学）
本文构建零售客户购物行为仿真环境，用于优惠券定向投放强化学习智能体基准测试，通过离线批量数据缓解购买事件稀疏问题，实验验证低过拟合的上下文赌博机与深度RL方法优于静态策略，提供零售全旅程AI仿真框架。
2024-05-16 cs.AI cs.LG econ.EM
Generating In-store Customer Journeys from Scratch with GPT Architectures
The Graduate University for Advanced Studies, SOKENDAI（综合研究大学院大学（SOKENDAI））；National Institute of Informatics（情报学研究所）
本文提出一种基于GPT-2架构的方法，从零生成店内顾客轨迹和购买行为，并通过微调减少训练数据，实验证明优于LSTM和SVM模型。
2024-07-13 cs.AI cs.LG
Generating Realistic Sequences of Customer-level Transactions for Retail Datasets
McGill University（麦吉尔大学）；University of Toronto（多伦多大学）；Rubikloud Technologies Inc.（Rubikloud技术公司）
为了更好地与客户互动，零售商依靠广泛的客户和产品数据库，使他们能够更好地了解客户行为和购买模式。这一直是一个具有挑战性的任务，因为客户建模是一个多方面的，嘈杂的和时间依赖的问题。解决这个问题的最常见的方法是间接地通过特定任务的监督学习预测问题，通过直接模拟客户未来的交易来建模客户的文献相对较少。在本文中，我们提出了一种方法，用于生成一个给定的客户可能会在一段时间内购买的篮子的现实序列。客户嵌入表示是使用递归神经网络（RNN）学习的，该网络考虑了整个交易数据序列。给定特定时间点的客户状态，生成对抗网络（GAN）被训练为生成下一周的合理产品篮子。然后将新生成的购物篮反馈到RNN中以更新客户的状态。因此，GAN与RNN模块一起在篮子生成和客户状态更新步骤之间交替的流水线中使用。这允许对客户未来购物篮序列的分布进行采样，然后可以用于深入了解如何更有效地为客户提供服务。经验表明，该方法产生的篮子，似乎类似于真正的篮子，并享有许多共同的属性，包括频率不同的产品类型，品牌和价格。此外，生成的数据能够复制真实数据中产品类型之间存在的大多数最强序列模式。
2019-09-17 cs.AI cs.LG stat.ML
RetailSynth: Synthetic Data Generation for Retail AI Systems Evaluation
Bain & Company, Inc.（贝恩公司）
针对零售AI系统缺乏评估数据的问题，提出多阶段购物行为模拟模型并嵌入RetailSynth环境，经真实数据校准生成合成交易，支持定价策略评估与因果需求模型验证。
2023-12-21 cs.AI cs.LG econ.EM
Application of Causal Inference to Analytical Customer Relationship Management in Banking and Insurance
Institute for Development and Research in Banking Technology (IDRBT)（银行技术发展与研究所）；University of Hyderabad（海得拉巴大学）
最近，为了在各个领域中具有更好的可接受性，研究人员认为机器智能算法必须能够提供人类可以理解的解释。这方面，也被称为因果性，达到了人类水平的可解释性的特定水平。一种被称为反事实的特定算法可能能够提供因果关系。在统计学中，因果关系已经被研究和应用了很多年，但在人工智能（AI）中并不详细。在第一次的同类研究中，我们采用因果推理的原则，以提供解决分析型客户关系管理（ACRM）问题的解释。在银行业和保险业的背景下，目前的可解释性研究试图解决与可解释性相关的问题，如为什么这个模型做出这样的决定，以及模型的选择受到特定因素的影响？我们提出了一种干预形式的解决方案，其中研究了改变ACRM数据集特征分布对目标特征的影响。随后，还获得一组反事实，可以提供给任何要求解释银行/保险公司所做决定的客户。除了信用卡流失预测数据集之外，还为贷款违约、保险欺诈检测和信用卡欺诈检测数据集生成了高质量的反事实，其中观察到的变化不超过三个特征。
2022-08-19 cs.AI cs.LG stat.ME
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
Monitoring Browsing Behavior of Customers in Retail Stores via RFID Imaging
Michigan State University（密歇根州立大学）；NEC Labs（NEC实验室）
在本文中，我们建议使用商业现成的（COTS）单站RFID设备（即使用一个单一的天线在一个时间都发送和接收RFID信号，从标签），以监测浏览活动的客户在前面的展示项目的地方，如零售商店。为此，我们提出了TagSee，一个基于单站RFID成像的多人成像系统。TagSee是基于这样的洞察力，即当客户浏览货架上的物品时，他们站在沿货架和阅读器边界部署的标签之间，这会改变RFID信号传播的多路径，阅读器接收到的RFID信号的RSS和相位值都会改变。基于读者观察到的这些变化，TagSee构建了客户的粗粒度图像。之后，TagSee通过分析构建的图像来识别客户正在浏览的项目。本文的主要创新之处在于通过基于RFID成像的鲁棒、分析模型驱动的深度学习构建粗粒度图像，实现对展示物品前多个客户的浏览行为监控。为了实现这一目标，我们首先数学制定的问题，成像人类使用单基地RFID设备，并得出一个近似的分析成像模型，相关的变化所造成的人类障碍物的RFID信号。基于这个模型，我们开发了一个深度学习框架，以高准确度稳健地为客户提供图像。我们使用Impinj Speedway R420阅读器和SMARTRAC DogBone RFID标签实现TagSee方案。TagSee可以使用来自3-4个用户的训练数据在多人场景中实现超过~90%的TPR和小于~10%的FPR。
2020-07-07 cs.CV cs.HC cs.LG
A Dataset for Learning Graph Representations to Predict Customer Returns in Fashion Retail
University College London（伦敦大学学院）；ASOS AI（ASOS人工智能部门）
我们提出了一个新的数据集收集的ASOS（一个主要的在线时装零售商），以解决预测客户回报的挑战，在时装零售生态系统。随着这一重要数据集的发布，我们希望能够激励研究社区和时尚行业之间的进一步合作。我们首先探索这个数据集的结构，重点是图表示学习的应用，以利用自然的数据结构，并提供对数据中特定特征的统计见解。除此之外，我们还展示了一个返回预测分类任务的示例，该任务选择了基线模型（即没有中间表示学习步骤）和一个基于图形表示的模型。我们表明，在下游收益预测分类任务中，使用图神经网络（GNN）可以找到0.792的F1分数，改进了本文中讨论的其他模型。除了增加F1分数之外，我们还通过将数据重新转换为图形结构来降低交叉熵损失，这表明基于GNN的解决方案的预测更加稳健。这些结果提供了证据，证明GNN可以在所呈现的数据集上提供比其他基线模型更有影响力和可用的分类，并且出于这个动机，我们希望鼓励使用ASOS GraphReturns数据集进一步研究基于图的方法。
2023-03-12 cs.DB cs.IR cs.LG
Causal inference and model explainability analysis of a real world sales dataset
本文提出了一种在零售业中应用模型可解释性和因果推断的方法，以提高销售洞察的准确性。
2026-10-20 cs.LG
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
FinGAN: Generative Adversarial Network for Analytical Customer Relationship Management in Banking and Insurance
Institute for Development and Research in Banking Technology（银行技术发展与研究所）；University of Hyderabad（海得拉巴大学）；Mathworks（MathWorks公司）
信用卡客户流失预测、保险欺诈检测和贷款违约预测是分析型客户关系管理中的重要问题。由于欺诈、流失和违约发生的频率较低，这些问题的数据集自然是高度不平衡的。因此，所有监督机器学习分类器在这种不平衡的数据集上训练时往往会产生大量的误报率。我们提出了两种数据平衡的方法。首先，我们提出了一种过采样的方法来产生合成样本的少数类生成对抗网络（GAN）。我们分别采用Vanilla GAN [1]、Wasserstein GAN [2]和CT GAN [3]对少数类样本进行过采样。为了评估我们所提出的方法的有效性，我们使用了许多机器学习分类器，包括随机森林，决策树，支持向量机（SVM）和逻辑回归对GANs平衡的数据。在第二种方法中，我们引入了一种混合方法来处理数据不平衡。在第二种方式中，我们通过使用一类支持活力机（OCSVM）获得的欠采样多数类数据来增强GAN过采样的合成少数类数据，从而同时利用欠采样和过采样的能力[4]。我们结合了GAN生成的过采样数据和OCSVM [4]欠采样的数据，并将结果数据传递给分类器。当我们将我们的结果与Farquad等人的结果进行比较时。[5]，Sundarkumar，Ravi和Siddeshwar [6]，我们提出的方法在所有数据集的ROC曲线下面积（AUC）方面优于以前的结果。
2022-01-27 cs.CE cs.LG cs.NE
Retail Demand Forecasting: A Comparative Study for Multivariate Time Series
Institute of Electrical and Electronics Engineers（电气和电子工程师协会）；University of Tennessee Chattanooga（田纳西大学查塔努加分校）；University of South Dakota（南达科他大学）
针对现有零售需求预测多忽略宏观经济因素的问题，本研究引入CPI、ICS、失业率等变量构建多变量数据集，对比多种回归与机器学习模型以提升预测精度。
2023-08-23 cs.AI cs.LG q-fin.ST
Advanced Customer Activity Prediction based on Deep Hierarchic Encoder-Decoders
产品推荐系统和客户分析技术一直是在线零售的优先事项。最近机器学习研究的进展以及大规模并行数值计算的广泛可用性使得推荐系统的发展具有各种方法和方向。值得一提的是，在过去几年中，多个传统的“离线”零售业务越来越倾向于采用推理甚至预测分析来解决与库存相关的问题，如预测补货，同时也丰富了客户互动体验。推荐系统研究和开发的最重要领域之一是基于深度学习的模型，其采用代表性学习来建模消费者行为模式。基于深度学习的推荐系统的现有技术使用多种方法，从已经经典的方法（例如基于学习产品表示向量的方法）到客户交易时间序列的循环分析以及基于对抗训练的生成模型。这些方法中的每一种都具有多个优点和固有的弱点，例如无法理解实际的用户旅程，能够仅提出单个产品推荐或top-k产品推荐而不预测实际的下一个最佳报价。在我们的工作中，我们将提出一个新的和创新的架构方法，应用国家的最先进的分层多模块编码器-解码器架构，以解决一些当前国家的最先进的推荐系统的问题。我们的方法还将产生副产品，如基于产品需求的细分和客户行为细分-所有这些都是端到端的可培训方法。最后，我们将提出几种方法，解决已知的零售和分销痛点的基础上提出的架构。
2019-06-21 cs.IR cs.LG
Comparison of Topic Modelling Approaches in the Banking Context
Sheffield Hallam University（谢菲尔德哈勒姆大学）；University of Warwick（华威大学）
针对银行客户推文，本研究在BERTopic架构中采用KernelPCA与K-means聚类，相比传统LDA方法，取得了0.8463的连贯性得分，验证了其有效性。
2024-02-05 cs.AI cs.IR cs.LG
Customer Lifetime Value Prediction Using Embeddings
Imperial College London（帝国理工学院）
我们描述了客户生命周期价值（CLTV）预测系统部署在ASOS.com，全球在线时尚零售商。CLTV预测是电子商务中的一个重要问题，对未来价值的准确估计使零售商能够有效地分配营销支出，识别和培养高价值客户并减少损失风险。ASOS的系统每天提供对每位客户未来价值的估计，是个性化购物体验的基石之一。该领域的最新技术使用大量手工制作的特征和集成回归来预测价值，预测流失和评估客户忠诚度。最近，包括语言，视觉和语音在内的领域通过用从数据中自动学习的特征取代手工制作的特征而显示出巨大的进步。我们详细介绍了部署在ASOS的系统，并表明学习功能表示是一个很有前途的扩展CLTV建模的最新技术。我们提出了一种新的方法来生成嵌入的客户，它解决了不断变化的产品目录的问题，并获得了显着的改进，一个详尽的手工制作的功能。
2017-07-06 cs.CY cs.IR cs.LG
Cyber-Financial Contagion: Modeling the Propagation of an AI Vendor Compromise Through the Banking System
NICE Actimize
本文研究AI供应商受损如何通过银行系统传播，提出CFC-Prop模型和CFC-GNN预警模型，在合成数据上验证了重尾损失分布，为监管者提供定量工具。
2026-09-10 cs.AI cs.CY cs.LG
Better Capturing Interactions Between Products in~Retail: Revisited Negative Sampling for~Basket Choice Modeling
Artefact Research Center（Artefact 研究中心）；CentraleSupélec Université Paris-Saclay（巴黎萨克雷中央理工-高等师范学院）；Fortenova Group（Fortenova 集团）
本文针对零售场景提出学习嵌入以捕捉产品、价格及门店交互的购物篮模型，采用基于实际品类的负采样优化损失，在合成数据与Fortenova Group的百万级交易数据集上均取得优于文献方法的效果，可支持品类经理工作。
2026-10-14 cs.AI cs.LG
Close the Gaps: A Learning-while-Doing Algorithm for a Class of Single-Product Revenue Management Problems
University of Minnesota（明尼苏达大学）；Stanford University（斯坦福大学）；Huazhong University of Science and Technology（华中科技大学）
我们考虑零售商在有限的销售季节销售单一产品，有限的库存。顾客需求的到达是一个泊松过程，其速率受零售商采取的单一行动（如价格调整、销售佣金、广告强度等）的影响。行动和需求率之间的关系是事先不知道的。然而，零售商是能够学习的最佳行动“的飞行”，因为她最大化她的总预期收入的基础上观察到的需求反应。以定价问题为例，我们提出了一个动态的“边做边学”算法，只涉及函数值估计，以实现接近最优的性能。我们的算法采用了一系列收缩的价格区间，并使用一组精心选择的参数在该区间内迭代测试价格。我们证明了我们的算法的收敛速度是所有可能的算法中最快的渐近“遗憾”（相对损失相比，充分的信息最优解）。我们的研究结果关闭参数和非参数学习之间的性能差距，后价格机制和客户投标机制。重要的管理洞察力，从这项研究是，信息的参数形式的需求函数，以及每个客户的确切保留价格的价值是不那么重要，比以前的文献表明。我们的研究结果还表明，企业将更好地执行动态学习和行动同时进行，而不是顺序。
2013-06-27 cs.LG
Discovering and Analyzing Stochastic Processes to Reduce Waste in Food Retail
School of Computer and Mathematical Sciences, The University of Adelaide, Australia（澳大利亚阿德莱德大学计算机与数学科学学院）；Information Systems Research, Albert-Ludwigs-University of Freiburg, Germany（德国弗赖堡阿尔伯特-路易斯大学信息系统研究所）
本文提出结合面向对象流程挖掘与随机过程发现的方法，从销售数据构建连续时间马尔可夫链并扩展供应活动，通过假设分析优化购买与供应平衡，以减少食品浪费和短缺。
2025-08-16 cs.LG math.PR stat.AP
Predicting seasonal influenza using supermarket retail records
University of Pisa（比萨大学）；ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）；Northeastern University（东北大学）
流行病学数据的可用性增加，新型数字数据流以及强大的机器学习方法的兴起，引发了对实时流行病预测系统的研究活动激增。在本文中，我们建议使用一种新的数据源，即零售市场数据，以改善季节性流感的预测。具体来说，我们认为超市零售数据作为流感的代理信号，通过识别哨兵篮子，即，由一群经过挑选的顾客一起购买的产品。我们开发了一个即时预报和预测框架，为意大利未来4周的流感发病率提供估计。我们利用支持向量回归（SVR）模型来预测季节性流感的发病率。我们的预测优于基线自回归模型和基于产品购买的第二基线。研究结果从数量上显示了将零售市场数据纳入预测模型的价值，作为可用于流行病实时分析的代理。
2020-12-17 cs.AI cs.LG cs.SI
Machine Learning Software Engineering in Practice: An Industrial Case Study
Polytechnique Montreal（蒙特利尔综合理工学院）；SAP Canada Inc（SAP加拿大公司）
SAP是企业软件的市场领导者，提供端到端的应用程序和服务套件，使其全球客户能够运营业务。特别是，SAP的零售客户处理数百万的销售交易，为他们的日常业务。交易在零售期间在销售点（POS）终端创建，然后发送到一些中央服务器进行验证和其他业务操作。由于许多技术和人为错误，相当大比例的零售交易可能存在不一致性。SAP提供了一个自动化的错误检测过程，但仍然需要专门的员工使用工作台软件进行纠正的手动过程。然而，这些错误的手动校正是耗时的、劳动密集型的，并且可能由于不正确的修改而导致进一步的错误。这不仅对客户的业务工作流程造成性能开销，而且还带来了高昂的运营成本。因此，自动检测和纠正交易错误对于其潜在的商业价值和业务流程的改进非常重要。在本文中，我们提出了一个工业案例研究，我们应用机器学习（ML）来自动检测交易错误并提出纠正建议。我们从三个不同的角度：软件工程、机器学习和产学合作，确定并讨论了我们在这个合作研发项目中面临的挑战。我们报告了我们从项目中获得的经验和见解，以及针对已确定挑战的指导方针。我们相信，我们的研究结果和建议可以帮助研究人员和从业人员进行类似的努力。
2019-06-17 cs.LG cs.SE
