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
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
Modelling customer lifetime-value in the retail banking industry
NatWest Group（国民西敏寺银行集团）；UCL（伦敦大学学院）
针对零售银行业客户终身价值估计依赖简单启发式的问题，提出一种支持任意时间跨度预测和基于产品倾向性模型的通用框架，实际应用使样本外预测误差降低43%，高倾向客户购买率提升3.2倍。
2023-04-06 cs.LG q-fin.ST
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
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
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
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
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
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
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
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
Protecting Retail Investors from Order Book Spoofing using a GRU-based Detection Model
Imperial College London（帝国理工学院）
由于市场操纵对市场有效性和许多参与的金融行为者产生有害影响，因此通过对传统市场的监管来解决市场操纵问题。由于新的低费用平台和去中心化数字货币等新的资产类别，私人散户投资者最近有所增加，由于缺乏机构复杂性和强有力的监管，脆弱的参与者数量增加。本文提出了一种方法来检测非法活动，并告知投资者欺骗企图，一个众所周知的市场操纵技术。我们的框架是基于一个高度可扩展的门控经常性单位（GRU）模型，并允许包括市场变量，可以解释欺骗和潜在的其他非法活动。该模型在粒度订单簿数据上进行了测试，在一个最不受监管的市场上，很容易与大量的非机构交易者进行欺骗。结果表明，该模型在早期检测环境中表现良好，可以很快识别欺骗尝试，让投资者做出反应。这是建立全面模型的第一步，该模型将保护各种不受监管的交易环境中的投资者和监管机构，以识别非法活动。
2021-10-08 cs.AI cs.LG q-fin.ST
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
A Hierarchical MARL-Based Approach for Coordinated Retail P2P Trading and Wholesale Market Participation of DERs
Department Electrical and Computer Engineering, Rowan University（罗文大学电气与计算机工程系）；School of Electrical Engineering, Sichuan University（四川大学电气工程学院）
本文提出一种分层多智能体深度强化学习框架，使个体用户参与零售拍卖并聚合智能用户以有效参与批发市场，通过Stackelberg博弈提升市场绩效。
2026-04-22 cs.LG cs.SY eess.SY
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
A causal graph-informed temporal convolution architecture for interpretable retail electricity price forecasting
The Ohio State University（俄亥俄州立大学）；John Glenn College of Public Affairs, The Ohio State University（俄亥俄州立大学约翰·格伦公共事务学院）
本研究提出CG-TCN模型，通过整合因果图与时序卷积网络提升零售电价预测的精度与可解释性，在俄亥俄州数据上的预测误差优于基准模型，可为电力市场相关决策提供支撑。
2026-08-28 cs.LG stat.AP
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
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
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
A Comparative Study on Forecasting of Retail Sales
University of New Mexico（新墨西哥大学）；Marquette University（马凯特大学）
预测大型零售公司的产品销售是一项具有挑战性的任务，要考虑到趋势、季节性、事件以及未知因素（如市场竞争、客户偏好变化或不可预见事件，例如，2019冠状病毒病爆发。在本文中，我们对沃尔玛的历史销售数据进行基准预测模型，以预测其未来的销售额。我们提供了一个全面的理论概述和最先进的时间序列预测模型的分析。然后，我们将这些模型应用于预测挑战数据集（Kaggle的M5预测）。具体而言，我们使用传统模型，即ARIMA（自回归综合移动平均），以及最近开发的先进模型，例如，Facebook开发的Prophet模型，微软开发的Light梯度提升机（LightGBM）模型，并对它们的性能进行基准测试。结果表明，ARIMA模型优于Facebook Prophet和LightGBM模型，而LightGBM模型在预测精度方面的损失可以忽略不计，但在大数据集上实现了巨大的计算增益。
2022-03-14 cs.LG q-fin.ST stat.AP
Offer Personalization using Temporal Convolution Network and Optimization
最近，个性化营销已成为重要的零售/电子零售公司，由于显着上升，在网上购物和市场竞争。网上购物的增加和激烈的市场竞争导致网上零售商的促销支出增加，因此，推出最佳优惠已成为维持交易数量和利润之间平衡的必要条件。在本文中，我们提出了我们的方法来解决在零售设置的消费者，项目和时间的交叉点的报价优化问题。为了优化报价，我们首先建立了一个广义的非线性模型，使用时间卷积网络预测在给定的时间段内，在消费者层面上的项目购买概率。其次，我们建立了历史报价值和购买概率之间的函数关系，然后使用该模型来估计在消费者项目粒度的购买概率的报价弹性。最后，使用估计的弹性，我们优化提供的价值，基于约束的优化技术。本文描述了我们的详细方法，并提出了跨类别的建模和优化的结果。
2020-10-14 cs.LG
Dynamically Tie the Right Offer to the Right Customer in Telecommunications Industry
IBM India Software Lab - SWG（IBM印度软件实验室 - SWG）；GBS Business Analytics and Optimization Center of Competence, CMS Analytics（GBS商业分析与优化能力中心，CMS分析）
对于一个成功的企业，参与有效的活动是营销人员的关键任务。大多数以前的研究使用各种数学模型来细分客户，而不考虑客户细分和活动之间的相关性。本文通过研究客户细分背景下的客户目标定位的重要的商业依赖变量，提出了一个概念模型。通过这种方式，客户细分和定位的过程，从而可以联系在一起，并解决.这项研究的客户细分的结果可能更有意义和相关的营销人员。本研究应用顾客生命周期价值（LTV）模型来评估目标顾客群与营销策略之间的适应性。为了整合客户细分和客户定位，本研究使用遗传算法来决定最佳的行销策略。之后，我们建议使用C&RT（分类和回归树）在SPSS PASW Modeler作为替代遗传算法技术来完成这些结果。我们还建议使用LOSSYCOUNTING和Counting Bloom Filter来动态地为正确的客户设计正确和最新的报价。
2020-10-18 cs.AI cs.IR cs.LG
Dynamic Retail Pricing via Q-Learning -- A Reinforcement Learning Framework for Enhanced Revenue Management
COEP Technological University（COEP理工大学）
本文提出基于Q-Learning的强化学习框架用于零售动态定价，通过模拟环境持续适配市场动态，其收益表现优于传统方法，还揭示了价格弹性与需求的相互作用，为AI驱动的收益管理提供新路径。
2024-11-27 cs.LG
Data-Driven Telecom Marketing Optimization: A Machine Learning-Based Churn Prediction and Customer Segmentation Framework
研究电信公司客户流失问题，提出集成机器学习流失预测、客户细分及定制营销和ROI策略的数据驱动框架，用特定数据集训练调整模型，划分客户聚类并设计策略，经实验验证该框架比单独流失预测能产生更优营销决策。
2026-07-14 cs.LG
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
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
Topic subject creation using unsupervised learning for topic modeling
Underwriters Laboratories, LLC（美国保险商实验室有限责任公司）
我们描述了使用非负矩阵分解（NMF）和潜在狄利克雷分配（LDA）算法进行主题挖掘和标签应用于零售客户通信，试图描述客户查询的主题。在本文中，我们比较了这两种算法的主题挖掘性能，并提出了方法来分配主题主题标签的自动化方式。
2019-12-18 cs.CL cs.CY cs.IR
