[论文解读] eCommerceGAN : A Generative Adversarial Network for E-commerce

Ashutosh Kumar, Arijit Biswas+1 more|ePrints@IISc (Indian Institute of Science)|Jan 10, 2018

Handwritten Text Recognition Techniques参考文献 21被引用 19

一句话总结

本文提出电子商务生成对抗网络（ecGAN）及其条件变体ec²GAN，一种学习电商订单密集、低维表示的生成对抗网络，可生成合理且逼真的订单。通过在真实订单数据上进行训练，ec²GAN有效刻画了客户人口统计特征、价格分布以及新产品季节性需求，相较于C-VAE基线模型在九项使用场景中的七项表现更优，最高提升达22%。

ABSTRACT

E-commerce companies such as Amazon, Alibaba and Flipkart process billions of orders every year. However, these orders represent only a small fraction of all plausible orders. Exploring the space of all plausible orders could help us better understand the relationships between the various entities in an e-commerce ecosystem, namely the customers and the products they purchase. In this paper, we propose a Generative Adversarial Network (GAN) for orders made in e-commerce websites. Once trained, the generator in the GAN could generate any number of plausible orders. Our contributions include: (a) creating a dense and low-dimensional representation of e-commerce orders, (b) train an ecommerceGAN (ecGAN) with real orders to show the feasibility of the proposed paradigm, and (c) train an ecommerce-conditional-GAN (ec^2GAN) to generate the plausible orders involving a particular product. We propose several qualitative methods to evaluate ecGAN and demonstrate its effectiveness. The ec^2GAN is used for various kinds of characterization of possible orders involving a product that has just been introduced into the e-commerce system. The proposed approach ec^2GAN performs significantly better than the baseline in most of the scenarios.

研究动机与目标

• 建模超出实际交易数据的合理电商订单分布。
• 利用客户、商品、价格和日期特征，学习订单的密集、低维且语义有意义的表示。
• 开发ecGAN以实现无条件生成逼真的订单，以及开发ec²GAN以基于特定商品实现条件生成。
• 在真实电商场景中，特别是针对新产品发布，对生成模型进行定性和定量评估。
• 提供一种基于合成但逼真的订单数据的框架，用于需求预测、客户特征刻画及个性化营销。

提出的方法

• 订单被表示为对客户、商品、价格和日期的密集嵌入向量的拼接，实现低维且语义有意义的订单表示。
• ecGAN使用带有梯度惩罚的Wasserstein GAN，训练生成器以学习真实电商订单的分布。
• ec²GAN通过将生成器基于商品嵌入进行条件化，扩展了ecGAN，实现针对特定商品的订单生成。
• 在ec²GAN中，向生成器损失函数中添加重构损失，以保留输入商品表示并提升生成结果的保真度。
• 定性评估使用t-SNE可视化、随机森林叶节点分布分析以及特征相关性分析，以评估生成订单的质量。
• 定量评估在九项使用场景中对比ec²GAN与C-VAE基线模型，包括客户画像、价格预测和季节性需求估计。

实验结果

研究问题

• RQ1 生成对抗网络能否有效学习并生成反映真实客户-商品互动的合理电商订单？
• RQ2 ec²GAN在刻画新发布商品潜在客户的性别、消费时长、购买量及季节性需求分布方面表现如何？
• RQ3 与无条件生成相比，将GAN基于商品嵌入进行条件化是否能提升生成订单的真实感与多样性？
• RQ4 在生成新产品的逼真订单分布方面，ec²GAN相较于C-VAE基线模型表现如何？
• RQ5 在非视觉领域，t-SNE和特征相关性等定性评估技术在多大程度上可验证生成订单的质量？

主要发现

• 在九项评估使用场景中，ec²GAN在七项中优于C-VAE基线模型，高购买客户预测的绝对提升最高达22%。
• 模型有效捕捉了真实订单中性别、客户留存时长、购买量及季节性需求的分布特征，如在'女性派对连衣裙'和'男款短裤'等商品的归一化分布图中所示。
• 在季节性需求方面，ec²GAN对某商品预测的夏季需求为71.43%，冬季需求为72.22%，与真实值高度接近；而C-VAE分别预测为71.28%和66.37%。
• 生成器成功模拟了现实世界模式，例如73%的'女性派对连衣裙'订单由女性客户下单，67%的'女性冬季披肩'订单发生在冬季。
• 尽管C-VAE在价格预测方面略占优势，但ec²GAN在捕捉合理订单全谱方面表现更优，避免了模式崩溃。
• 定性评估方法（t-SNE、随机森林叶节点分布、特征相关性）表明，ec²GAN生成的订单具有语义意义，且在分布上与真实数据高度一致。