[论文解读] Pivoting Retail Supply Chain with Deep Generative Techniques: Taxonomy, Survey and Insights

Yuan Wang, Lokesh Kumar Sambasivan+2 more|arXiv (Cornell University)|Feb 29, 2024

Consumer Retail Behavior Studies被引用 4

一句话总结

本文提出了零售供应链中深度生成模型（DGMs）的全面分类法与综述，分析其在采购、物流和销售各阶段的应用。结果表明，DGMs在建模复杂分布以实现预测任务方面表现优异，并在通过强化学习实现随机优化方面具有巨大潜力，尤其体现在利用大语言模型（LLMs）进行搜索、推荐和客户互动方面。

ABSTRACT

Generative AI applications, such as ChatGPT or DALL-E, have shown the world their impressive capabilities in generating human-like text or image. Diving deeper, the science stakeholder for those AI applications are Deep Generative Models, a.k.a DGMs, which are designed to learn the underlying distribution of the data and generate new data points that are statistically similar to the original dataset. One critical question is raised: how can we leverage DGMs into morden retail supply chain realm? To address this question, this paper expects to provide a comprehensive review of DGMs and discuss their existing and potential usecases in retail supply chain, by (1) providing a taxonomy and overview of state-of-the-art DGMs and their variants, (2) reviewing existing DGM applications in retail supply chain from a end-to-end view of point, and (3) discussing insights and potential directions on how DGMs can be further utilized on solving retail supply chain problems.

研究动机与目标

• 为解决零售供应链中深度生成模型（DGMs）缺乏聚焦综述的问题，提供全面的回顾。
• 建立最先进的DGMs及其变体（包括VAEs、GANs、自回归模型和基于能量的模型）的分类法。
• 分析DGMs在端到端零售供应链（采购、物流和销售阶段）中的现有及潜在应用。
• 识别利用DGMs解决持续供应链挑战（如需求预测、优化差距和随机决策）的关键见解与未来研究方向。
• 突出大语言模型（LLMs）在零售供应链中生成式搜索、推荐和客户互动方面的变革性作用。

提出的方法

• 构建了深度生成模型（DGMs）的结构化分类法，包括变分自编码器（VAEs）、生成对抗网络（GANs）、自回归模型和基于能量的模型。
• 回顾了DGM在零售供应链三个阶段中的现有应用：采购（如需求预测）、物流（如路径规划、预计到达时间预测）和销售（如搜索、推荐）。
• 探索了利用LLMs实现生成式推荐的方法，首先通过奇异值分解和产品量化等方法创建独特的基于标记的物品ID（例如，VQ-Rec）。
• 通过将LLMs基于用户查询和物品嵌入进行条件化，实现物品推荐的自回归生成，支持诸如Top-N推荐、可解释推荐和对话式搜索等任务。
• 将DGMs与强化学习结合，用于解决库存补货和路径规划等顺序决策问题中的随机优化。
• 评估了模型在建模联合分布和序列依赖关系方面的能力，特别是在供应链中常见的高维、不确定环境中。

实验结果

研究问题

• RQ1 如何系统性地对深度生成模型在端到端零售供应链中的分类与应用进行归类？
• RQ2 DGMs在零售供应链各阶段（采购、物流和销售）中的当前与新兴应用场景有哪些？
• RQ3 DGMs在预测性和处方性供应链任务中相较于传统方法有何优势？
• RQ4 大语言模型（LLMs）如何增强零售中的生成式搜索与推荐？其背后的技术组件是什么？
• RQ5 在现实零售供应链系统中部署DGMs面临的关键挑战与未来研究方向是什么？

主要发现

• DGMs在建模联合分布和序列依赖关系方面表现优异，使其在需求预测和预计到达时间（ETA）预测等预测任务中极为有效。
• 与强化学习结合的DGMs在库存补货和路径规划等随机优化问题中展现出强大潜力，而传统确定性方法在这些场景中存在局限。
• 大语言模型（LLMs）在零售供应链中日益关键，尤其在实现对话式、上下文感知的搜索与推荐系统方面，超越了关键词匹配的局限。
• 通过产品量化（如VQ-Rec）和奇异值分解等技术创建紧凑且唯一的物品标识符，可实现可扩展且精准的基于LLM的推荐系统。
• 基于LLMs的生成式推荐系统可执行多样化任务，如Top-N推荐、可解释推荐和评论摘要，显著提升用户体验与转化率。
• 尽管DGMs在不确定、复杂环境中优势明显，但在确定性优化问题（如人员排班或网络规划）中尚未展现出对传统方法的明显优势。