UNICON: 电子商务中基于行为的消费者分割的统一框架

Sep, 2023

UNICON: 电子商务中基于行为的消费者分割的统一框架

UNICON: A unified framework for behavior-based consumer segmentation in e-commerce

Manuel Dibak, Vladimir Vlasov, Nour Karessli, Darya Dedik, Egor Malykh...

TL;DR利用丰富的消费者行为数据，我们引入了一个统一的深度学习消费者细分框架 UNICON，用于提取两种关键类型的细分，即 “类似人群”，通过类似行为扩展预定义目标种子段与消费者的行为相似者，以及 “数据驱动”，揭示具有相似关联性的非显而易见的消费者细分。通过大量实验，我们展示了该框架在时尚领域中识别类似设计师受众和数据驱动风格细分方面的效果，并展示了如何将细分信息与基于超和基于群体的个性化相结合的混合推荐系统中，以充分利用两种选择的优势并改善消费者体验。

Abstract

data-driven personalization is a key practice in fashion e-commerce, improving the way businesses serve their consumers needs with more relevant content. While hyper-personalization offers highly targeted experie

data-driven personalization fashion e-commerce consumer segmentation lookalike audience recommender system

发现论文，激发创造

超锥：概念元学习基于异质专家的统一用户分割

研究用户分割问题，通过 SuperCone 系统中的数字足迹，使用超级学习方法建立预测模型，灵活地 “适应” 异构专家来实现用户分割，并在实验证明此方法的优越性。

Mar, 2022

UniMatch: 多用途商家营销的统一用户 - 商品匹配框架

通过模型对用户 - 商品的互动矩阵进行建模，并提出了一个修正双向偏差的损失函数，我们提出了一个统一的用户 - 商品匹配框架，以实现商品推荐和用户定位，深度减少了计算资源和日常维护成本，从而证明了我们的框架相对于现有方法的显著性能提升。

Jul, 2023

从多种电商任务中学习通用用户表示，深入了解你的用户

该论文提出了一种名为 Deep User Perception Network（DUPN）的方法，通过采用 LSTM 和注意力机制来建模用户行为序列，学习不同任务通用的用户表示，以达到更加有效的个性化推荐，离线和在线实验结果表明 DUPN 在五个不同的任务上都表现出 better results，Taobao 上的大规模操作任务也得到了部署。

May, 2018

MetaCon：具有万亿概念元学习的统一预测分段系统

本文介绍了采用元学习方法开发的 MetaCon 系统，该系统运用扁平概念表示法，结合整个预测任务谱，有效地解决长尾预测任务的数据质量问题，从而在推荐系统和排序方面实现了明显的改进。

Mar, 2022

行为用户分割下面向预算限制的优化发现

基于随机优化的算法通过同时提高交付度量、降低预算开销并在发现中获得强大的预测性能来优化传递行为用户分割。

Feb, 2024

利用行为一致性实现通用用户表示

该研究提出一种基于自监督学习的用户建模网络 SUMN，该网络能够将行为数据编码成通用的用户表示形式，进而实现个性化服务推荐和用户画像预测。实验表明该方法优于现有的无监督表示方法，并且能够与监督方法竞争。

Dec, 2020

个性化产品特征提取：从非结构化数据中学习属性，以推荐时尚产品

通过细节化和有连续性的产品信息来解决电子商务中的个性化、需求预测和产品规划难点，本文详细描述了 ASOS 在此方面的架构和方法，并展示了它在混合推荐系统中的应用。

Mar, 2018

探索 360 度客户视角进行相似模型建模

本文提出了一种新的框架来统一客户的不同行为或特征，例如人口统计数据、不同平台上的购买行为、客户忠诚度等，从而建立一个类似模型来提高 Rakuten 集团的客户定位的效果。实验结果表明，这种类似模型对于用户定位任务是有效的。

Apr, 2023

UniAR：统一人类视觉内容中的注意力与反应预测

人类行为建模方面取得的进展涉及对隐含的、早期的感知行为（如注意力）以及明确的、后期的行为（如主观评分 / 喜好）的理解。然而，大部分先前的研究都集中在隔离地建模隐含和明确的人类行为上。我们能否建立一个统一的人类注意力和偏好行为模型，可在各种类型的视觉内容中可靠地工作？这样的模型将能够预测主观反馈，如整体满意度或审美质量评级，以及潜在的人类注意力或互动热图和浏览顺序，从而使设计师和内容创作模型能够优化其创作以实现以人为中心的改进。在本文中，我们提出了 UniAR - 一个统一的模型，可以在不同类型的视觉内容上预测隐含和明确的人类行为。UniAR 利用了一种多模态变换器，具有每个方面的不同预测头，并预测注意力热图、扫描路径或浏览顺序，以及主观评级 / 喜好。我们在涵盖自然图像、网页和图形设计的多样公共数据集上训练 UniAR，并在不同图像领域和各种行为建模任务上取得了领先的性能。潜在应用包括即时提供对界面 / UI 设计 / 图像有效性的反馈，并作为奖励模型进一步优化设计 / 图像创作。

Dec, 2023

Fashionformer: 一种简单、有效和统一的基础模型，用于人类时尚分割和识别

本研究提出了一种基于 Vision Transformer 的人类时尚理解方法，通过联合分割和属性识别任务实现，使用对象和属性查询链接分割和预测结果，并使用 Multi-Layer Rendering 模块实现更细粒度的特征探索，实验证明该方法在三个人类时尚数据集上的效果较之前的方法相对提高了 10％。

Apr, 2022