論文の概要: RF-LighGBM: A probabilistic ensemble way to predict customer repurchase behaviour in community e-commerce

• arxiv url: http://arxiv.org/abs/2109.00724v1
• Date: Thu, 2 Sep 2021 05:38:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 14:07:39.111097
• Title: RF-LighGBM: A probabilistic ensemble way to predict customer repurchase behaviour in community e-commerce
• Title（参考訳）: RF-LighGBM:地域電子商取引における顧客の再購入行動を予測する確率的アンサンブル手法
• Authors: Liping Yang, Xiaxia Niu, Jun Wu
• Abstract要約: 中国におけるオンライン決済ユーザーの数は8億4400万人に達している。 コミュニティのeコマースプラットフォームが出現するにつれ、eコマースとソーシャルアプリケーションの統合の傾向はますます強まっている。 本稿では,データ駆動型手法を用いて,地域電子商取引顧客の再購入行動の予測について検討する。
• 参考スコア（独自算出の注目度）: 8.750970436444083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is reported that the number of online payment users in China has reached 854 million; with the emergence of community e-commerce platforms, the trend of integration of e-commerce and social applications is increasingly intense. Community e-commerce is not a mature and sound comprehensive e-commerce with fewer categories and low brand value. To effectively retain community users and fully explore customer value has become an important challenge for community e-commerce operators. Given the above problems, this paper uses the data-driven method to study the prediction of community e-commerce customers' repurchase behaviour. The main research contents include 1. Given the complex problem of feature engineering, the classic model RFM in the field of customer relationship management is improved, and an improved model is proposed to describe the characteristics of customer buying behaviour, which includes five indicators. 2. In view of the imbalance of machine learning training samples in SMOTE-ENN, a training sample balance using SMOTE-ENN is proposed. The experimental results show that the machine learning model can be trained more effectively on balanced samples. 3. Aiming at the complexity of the parameter adjustment process, an automatic hyperparameter optimization method based on the TPE method was proposed. Compared with other methods, the model's prediction performance is improved, and the training time is reduced by more than 450%. 4. Aiming at the weak prediction ability of a single model, the soft voting based RF-LightgBM model was proposed. The experimental results show that the RF-LighTGBM model proposed in this paper can effectively predict customer repurchase behaviour, and the F1 value is 0.859, which is better than the single model and previous research results.
• Abstract（参考訳）: 中国のオンライン決済ユーザー数は8億4400万人に達したと報告されており、コミュニティのeコマースプラットフォームが出現するにつれて、eコマースとソーシャルアプリケーションの統合の傾向がますます強まっている。 コミュニティeコマースは成熟したものではなく、より少ないカテゴリーと低いブランド価値を持つ包括的eコマースである。 コミュニティユーザを効果的に維持し、顧客価値を十分に探求することは、コミュニティEコマース運営者にとって重要な課題となっている。 上記の課題を考慮し,データ駆動手法を用いてコミュニティの電子商取引顧客による再購入行動の予測を行う。 主な研究内容は1。 機能工学の複雑な問題を考えると、顧客関係管理の分野での古典的なモデルrfmが改善され、5つの指標を含む顧客購買行動の特徴を記述するための改良モデルが提案されている。 2. SMOTE-ENNにおける機械学習トレーニングサンプルの不均衡を考慮して,SMOTE-ENNを用いたトレーニングサンプルバランスを提案する。 実験の結果、機械学習モデルはバランスのとれたサンプルに基づいてより効果的にトレーニングできることがわかった。 3. パラメータ調整プロセスの複雑さを考慮し,TPE法に基づく自動ハイパーパラメータ最適化手法を提案する。 他の手法と比較して、モデルの予測性能が向上し、トレーニング時間が450%以上短縮される。 4. 単一モデルの弱い予測能力に着目し,ソフト投票に基づくRF-LightgBMモデルを提案した。 本論文で提案したRF-LighTGBMモデルは,顧客の再購入行動の予測を効果的に行うことができ,F1値が0.859であり,単一モデルよりも優れていることを示す。

関連論文リスト

• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning [20.412469498888292]
  フェデレートラーニング(FL)は、複数のデバイスが共同で共有モデルをトレーニングすることを可能にする。 各トレーニングラウンドにおける参加デバイスの選択は、モデル性能とトレーニング効率の両方に重大な影響を及ぼす。 我々は、エンドツーエンドのランキングベースのアプローチであるFedRankという新しいデバイス選択ソリューションを導入する。
  論文  参考訳（メタデータ） (2024-05-07T08:44:29Z)
• Federated Learning While Providing Model as a Service: Joint Training and Inference Optimization [30.305956110710266]
  フェデレーション学習は、分散クライアント間のモデルのトレーニングを可能にする上で有益である。 既存の作業は、クライアントの限られたリソースの下でのモデルトレーニングと推論の共存を見落としている。 本稿では,クライアントにおける推論性能を最大化するために,モデルトレーニングと推論の協調最適化に焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-20T09:27:09Z)
• Churn Prediction via Multimodal Fusion Learning:Integrating Customer Financial Literacy, Voice, and Behavioral Data [14.948017876322597]
  本稿では,金融サービスプロバイダの顧客リスクレベルを特定するためのマルチモーダル融合学習モデルを提案する。 弊社のアプローチは、顧客感情の財務リテラシー(FL)レベルと、財務行動データを統合している。 我々の新しいアプローチは、チャーン予測の顕著な改善を示し、テスト精度91.2%、平均精度66、マクロ平均F1スコア54を達成した。
  論文  参考訳（メタデータ） (2023-12-03T06:28:55Z)
• A Meta-learning based Stacked Regression Approach for Customer Lifetime Value Prediction [3.6002910014361857]
  顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)とは、取引/購入の合計金額である。 CLVは、銀行、保険、オンラインエンタテインメント、ゲーム、Eコマースなど、いくつかの異なるビジネスドメインでアプリケーションを見つける。 本稿では,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
  論文  参考訳（メタデータ） (2023-08-07T14:22:02Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo sampling [58.14878401145309]
  PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。 Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
  論文  参考訳（メタデータ） (2022-05-12T11:15:47Z)
• Sample-Efficient Reinforcement Learning via Conservative Model-Based Actor-Critic [67.00475077281212]
  モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。 本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。 CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-16T15:33:11Z)
• Classifying variety of customer's online engagement for churn prediction with mixed-penalty logistic regression [0.0]
  混合ペナルティ項を付加することによりロジスティック回帰の分類を促進する機械学習手法に基づく顧客チャーン率の新たな予測分析を提供する。 本研究では,提案手法の分析特性と計算上の優位性を示す。
  論文  参考訳（メタデータ） (2021-05-17T08:40:34Z)
• Model-Augmented Q-learning [112.86795579978802]
  モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。 具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。 提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-07T17:56:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。