Jun, 2019

捷足先登：时尚电商中销售前预测回报

PDF
TL;DR本文提出了一种基于深度神经网络和贝叶斯个性化排名的新方法，利用产品嵌入和 skip-gram 模型来捕捉用户的口味、隐含特征和身体形状以预测退货可能性，进行了一些实时实验以减少时装电子商务平台的总退货量。
e-commercereturns predictiondeep neural networkproduct embeddingsbayesian personalized ranking
发现论文，激发创造
  • 时尚电商尺码推荐系统中整合顾客评论

    提出了一种能够利用顾客评价信息与顾客、产品特征来进行尺码预测的新方法，与仅使用产品和顾客特征的方法相比，该方法在四个不同数据集上显示出 1.37% 至 4.31% 的 F1 得分提升。

    Aug, 2022

  • 基于 LSTM 的时态顾客模型用于时尚推荐

    在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。

    Aug, 2017

  • SizeFlags: 时尚电商中减少尺码和适配相关退货的方法

    该研究介绍了一种基于贝叶斯模型的解决方案，利用顾客提供的大规模低强度标注数据以及人工专家反馈和计算机视觉智能，成功地减少了 14 个国家在线时尚市场上与尺寸有关的退货率。

    Jun, 2021

  • 时尚尺码推荐的分层贝叶斯模型

    该研究提出了一种层次贝叶斯方法来应对电商时尚中的尺码推荐问题，结合先验知识进行参数建模，发现该方法在大规模生产系统中十分高效。

    Aug, 2019

  • 时尚电商服装尺码和大小预测的深度学习系统

    本文提出了一种基于深度学习的内容协作方法，用于个性化尺寸和合适度建议，以提高顾客满意度并减少因尺码相关的退货所产生的成本，该方法可以模拟客户和文章数据，并能够为单个帐户背后的多个个体或意图进行建模。

    Jul, 2019

  • 预测购买意向：使用递归神经网络进行自动特征学习

    该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

    Jul, 2018

  • 高端时尚市场的尺码推荐

    我们提出了一种新颖的序列分类方法，结合隐式（Add2Bag）和显式（ReturnReason）的用户信号，用于准确和个性化的尺码推荐。通过使用 Add2Bag 交互，我们将用户覆盖率提高了 24.5%。此外，我们通过实验评估了模型在实时推荐场景中的可用性和延迟性能。

    Jan, 2024

  • 电子商务中产品属性提取的深度循环神经网络

    通过使用深度循环网络模型，如双向 LSTM 和双向 LSTM-CRF，我们比以前的基准测试取得了至少 0.0391 的 F1 得分提升，展示了 97.94％的总体准确度，94.12％的召回率和 0.9599 的 F1 得分，从而实现了重要商品特性的显着覆盖，这不仅显示了深度循环模型相对于以前的机器学习基准测试的功效，还极大地提高了在线购物的整体客户体验。

    Mar, 2018

  • 应对产品需求变化：赞助搜索中转化率（CR）预测应用

    本文提出了三种结合产品需求特征、专业数据采样方法和集成技术的模型，可以更准确地预测产品广告的用户交互结果，并同时对用户和广告商行为的波动具有鲁棒性。

    May, 2018

  • 末端交付中的包裹丢失预测：深度与非深度方法，结合可解释人工智能的见解

    在电子商务零售领域，减少最后一公里配送阶段的包裹丢失是一个重要目标。本文提出了两种机器学习方法，即数据平衡与监督学习（DBSL）和深度混合集成学习（DHEL），以准确预测包裹丢失。我们使用比利时货运的一年数据对所提出的机器学习模型进行了全面评估，结果表明，将前馈自编码器与随机森林相结合的 DHEL 模型实现了最高的分类性能。此外，我们还使用可解释人工智能（XAI）的技术，说明预测模型如何在提升业务流程和增强电子商务零售商的整体价值主张方面发挥作用。

    Oct, 2023