[论文解读] Prediction is very hard, especially about conversion. Predicting user purchases from clickstream data in fashion e-commerce
本文通过引入一家主要欧洲时尚零售商的新型大规模数据集，并提出一种新型判别神经模型，解决了时尚电商点击流数据中预测用户购买意图的挑战。该模型利用会话级别的点击流序列，将用户分类为转化者或非转化者，在转化率低且浏览行为嘈杂的情况下，显著提升了准确率。
Knowing if a user is a buyer vs window shopper solely based on clickstream data is of crucial importance for ecommerce platforms seeking to implement real-time accurate NBA (next best action) policies. However, due to the low frequency of conversion events and the noisiness of browsing data, classifying user sessions is very challenging. In this paper, we address the clickstream classification problem in the fashion industry and present three major contributions to the burgeoning field of AI in fashion: first, we collected, normalized and prepared a novel dataset of live shopping sessions from a major European e-commerce fashion website; second, we use the dataset to test in a controlled environment strong baselines and SOTA models from the literature; finally, we propose a new discriminative neural model that outperforms neural architectures recently proposed at Rakuten labs.
研究动机与目标
- 解决时尚电商点击流数据中预测用户购买转化的严峻挑战，其中转化事件稀少且浏览行为嘈杂。
- 收集、规范化并发布来自主要欧洲时尚电商平台的真实购物会话大规模数据集。
- 在受控环境中使用新数据集评估强基线模型和最先进模型。
- 提出并验证一种新型判别神经架构，以提升点击流分类任务的分类性能。
提出的方法
- 作者从一家欧洲时尚电商平台上收集并预处理了大规模真实用户点击流会话数据，包含详细的会话级导航序列。
- 通过归一化和特征工程，将原始点击流日志转换为适合深度学习模型的结构化输入序列。
- 所提出的模型是一种判别神经网络架构，旨在从序列点击流数据中学习判别性表征，专为转化与非转化的二分类任务而优化。
- 使用标准深度学习框架进行模型训练与评估，并与文献中已有的基线模型和最先进模型进行性能对比。
- 通过超参数调优和交叉验证优化模型性能，重点关注与实时 NBA（下一步最佳行动）策略相关的指标。
实验结果
研究问题
- RQ1新型大规模真实世界时尚电商点击流会话数据集能否提升购买预测模型的可靠性？
- RQ2现有最先进模型在转化率低且信号嘈杂的真实世界时尚电商点击流数据上表现如何？
- RQ3新型判别神经架构能否在从点击流序列预测用户转化方面超越现有深度学习模型？
- RQ4在时尚电商会话中，区分转化者与非转化者最有效的特征和建模方法是什么？
主要发现
- 所提出的神经模型在相同数据集上，性能优于强基线模型以及 Rakuten Labs 最近发表的最先进模型。
- 新数据集揭示了由于转化事件频率低且用户浏览行为噪声高，建模面临显著挑战。
- 结果表明，使用深度神经网络进行序列建模能够有效从点击流数据中捕捉用户意图，即使在真实世界数据质量限制下亦然。
- 本研究证实，真实世界数据质量和标签一致性是电商预测模型成功的关键因素。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。