論文の概要: CATS: Clustering-Aggregated and Time Series for Business Customer Purchase Intention Prediction

• arxiv url: http://arxiv.org/abs/2505.13558v1
• Date: Mon, 19 May 2025 09:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.440361
• Title: CATS: Clustering-Aggregated and Time Series for Business Customer Purchase Intention Prediction
• Title（参考訳）: CATS: ビジネス顧客購入意図予測のためのクラスタリング集約と時系列
• Authors: Yingjie Kuang, Tianchen Zhang, Zhen-Wei Huang, Zhongjie Zeng, Zhe-Yuan Li, Ling Huang, Yuefang Gao,
• Abstract要約: 顧客が次の購入をするかどうかを予測することは、古典的な時系列予測タスクです。 顧客グループは通常、不均衡を示す。つまり、時々買い手や少数の忠実な顧客がいる。 本稿では,顧客購入意図予測にマルチモーダルデータを活用するクラスタリングとアテンションGRUモデルを提案する。
• 参考スコア（独自算出の注目度）: 7.294680030004759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting customers' purchase intentions is critical to the success of a business strategy. Current researches mainly focus on analyzing the specific types of products that customers are likely to purchase in the future, little attention has been paid to the critical factor of whether customers will engage in repurchase behavior. Predicting whether a customer will make the next purchase is a classic time series forecasting task. However, in real-world purchasing behavior, customer groups typically exhibit imbalance - i.e., there are a large number of occasional buyers and a small number of loyal customers. This head-to-tail distribution makes traditional time series forecasting methods face certain limitations when dealing with such problems. To address the above challenges, this paper proposes a unified Clustering and Attention mechanism GRU model (CAGRU) that leverages multi-modal data for customer purchase intention prediction. The framework first performs customer profiling with respect to the customer characteristics and clusters the customers to delineate the different customer clusters that contain similar features. Then, the time series features of different customer clusters are extracted by GRU neural network and an attention mechanism is introduced to capture the significance of sequence locations. Furthermore, to mitigate the head-to-tail distribution of customer segments, we train the model separately for each customer segment, to adapt and capture more accurately the differences in behavioral characteristics between different customer segments, as well as the similar characteristics of the customers within the same customer segment. We constructed four datasets and conducted extensive experiments to demonstrate the superiority of the proposed CAGRU approach.
• Abstract（参考訳）: 顧客の購入意図を正確に予測することは、ビジネス戦略の成功に不可欠である。 近年の研究では、顧客が将来購入する可能性が高い商品の種類を分析することを中心に、顧客が購入行動に従事するかどうかという重要な要因にはほとんど注意が払われていない。 顧客が次の購入をするかどうかを予測することは、古典的な時系列予測タスクです。 しかし、現実の購買行動においては、顧客グループが通常不均衡を示す。 このヘッド・ツー・テールの分布により、従来の時系列予測手法はそのような問題に対処する際の一定の制限に直面している。 以上の課題に対処するため、顧客購入意図予測にマルチモーダルデータを活用するクラスタリング・アテンション機構GRUモデル(CAGRU)を提案する。 このフレームワークはまず、顧客特性に関する顧客プロファイリングを実行し、顧客をクラスタ化して、同様の機能を含む異なる顧客クラスタをデライン化する。 そして、GRUニューラルネットワークにより、異なる顧客クラスタの時系列特徴を抽出し、シーケンス位置の重要性を捉えるための注意機構を導入する。 さらに、顧客セグメントの店頭分布を緩和するため、各顧客セグメントごとに個別にモデルを訓練し、異なる顧客セグメント間の行動特性の相違や、同じ顧客セグメント内の顧客の特徴の相違をより正確に把握する。 我々は4つのデータセットを構築し,提案したCAGRUアプローチの優位性を実証する広範囲な実験を行った。

関連論文リスト

• Customer Analytics using Surveillance Video [0.0]
  本研究は,顧客の買い物行動を分析し,購入パターンを識別する手法を提案する。 重み付きk平均アルゴリズムを用いたマルチクラスタオーバーラップk平均拡張(MCOKE)アルゴリズムの拡張版を用いて、顧客を興味のある衣服にマッピングする。
  論文  参考訳（メタデータ） (2025-03-01T11:26:31Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning [50.060154488277036]
  連合学習では、クライアントの選択はモデルの性能と公平性の両方に大きな影響を及ぼす重要な問題である。 2つの指標間の固有の対立に対処し、互いに強化する2つの原則を提案する。 提案手法は,データ分布に基づいてクライアントを選択することにより,この多様性を適応的に向上させ,モデル性能と公平性の両方を改善する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• Modelling customer churn for the retail industry in a deep learning based sequential framework [0.0]
  この研究は、顧客が非契約条件下で小売企業との購入をやめるリスクがあるかを予測するための、深いサバイバル・フレームワークを提供する。 個人レベルのサバイバルモデルを得ることで、個々の顧客の行動のみに基づいて、購入行動の個人レベルのサバイバルモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-04-02T16:48:43Z)
• Customer Churn Prediction Model using Explainable Machine Learning [0.0]
  この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。 各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。 モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T04:45:57Z)
• A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study [2.126171264016785]
  我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。 以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。 特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-12-01T19:37:29Z)
• 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)
• OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
  本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。 提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
  論文  参考訳（メタデータ） (2021-02-02T17:29:52Z)

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。