論文の概要: Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model
- arxiv url: http://arxiv.org/abs/2606.17931v1
- Date: Tue, 16 Jun 2026 13:41:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.461149
- Title: Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model
- Title（参考訳）: XGBoostモデルを用いたハイブリッドRet-DNNを用いた顧客行動予測のためのEコマースの予測分析
- Authors: Degala Pushpa Sri, Mayank Atreya, Lakshmi. H, Navin Chhibber, Mukesh Soni,
- Abstract要約: 本研究では,Retail Deep NeuralNetwork(Ret-DNN)とExtreme Gradient Boosting(XGBoost)モデルを組み合わせたハイブリッドモデルを提案する。
提案した Ret-DNN XGBoost モデルは,既存の Ret-DNN モデルと比較して,aMean Absolute Error (MAE) 0.2193 を達成することで,より良い結果を得た。
- 参考スコア（独自算出の注目度）: 0.4562885515693867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, electronic (E) commerce services have rapidly increased in the daily lives of people, which helpsthem to purchase products online. However, retail platforms have struggled to understand customer behavior and make it difficult to predict their future purchases. To overcome these challenges, this study proposes a hybrid Retail Deep NeuralNetwork (Ret-DNN) with an Extreme Gradient Boosting(XGBoost) model for capturing temporal features and tabular dynamics of retail data. First, data were sourced from a UnitedKingdom (UK)-based online retailer that contains transactions with almost 500,000 records. Then, the collected data were pre-processed using a series of techniques, such as data cleaning, outlier handling, temporal feature extraction, feature encoding, and z-score normalization, to ensure that the data were ready for model training and testing. Subsequently, the preprocessed data were fed into the Ret-DNN model, which acts as a feature extractor to understand the complete context of customer transactions. Further, the extracted data were fed as input into the XGBoost model, which predicted the final output as the purchase probability of customers. Finally, the proposed Ret-DNN XGBoost model achieved better results by attaining aMean Absolute Error (MAE) 0.2193 when compared to the existing Ret-DNN model. Keywords: Customer behavior forecasting, extreme gradientboosting, electronic commerce, predictive analytic, retail deepneural networks.
- Abstract（参考訳）: 近年、電子商取引サービスは人々の日常生活において急速に増加しており、オンラインでの商品購入に役立っている。
しかし、小売プラットフォームは顧客の振る舞いを理解し、将来の購入を予測するのが難しくなっている。
これらの課題を克服するために,小売データの時間的特徴と表のダイナミクスを捉えるために,Extreme Gradient Boosting(XGBoost)モデルを用いたRetail Deep NeuralNetwork(Ret-DNN)を提案する。
まず、データがユナイテッド・キングダム(UK)に本拠を置くオンライン小売業者から提供された。
次に、収集したデータは、データのクリーニング、アウトラヤハンドリング、時間的特徴抽出、特徴符号化、zスコア正規化など、一連のテクニックを使用して前処理され、データのモデルトレーニングとテストの準備が整った。
その後、前処理されたデータをRet-DNNモデルに入力し、顧客トランザクションの完全なコンテキストを理解する機能抽出器として機能する。
さらに,抽出したデータをXGBoostモデルに入力として入力し,最終出力を顧客の購入確率として予測した。
最後に、提案したRet-DNN XGBoostモデルは、既存のRet-DNNモデルと比較して、aMean Absolute Error (MAE) 0.2193に達することで、より良い結果を得た。
キーワード:顧客行動予測、極端な勾配予測、電子商取引、予測分析、小売ディープニューラルネットワーク。
関連論文リスト
- Predicting E-commerce Purchase Behavior using a DQN-Inspired Deep Learning Model for enhanced adaptability [0.0]
本稿では,Deep Q-Network (DQN) にインスパイアされたアーキテクチャを活用し,電子商取引環境における購入意図と製品需要を予測する新しいアプローチを提案する。
我々は,885,000以上のユーザセッションからなる大規模eコマースデータセット上で,それぞれ1,114の特徴を特徴付けるモデルを評価した。
精度は88%,AUC-ROCスコアは0.88である。
論文 参考訳（メタデータ） (2025-06-21T02:12:26Z) - Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting [0.0]
予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。
本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
論文 参考訳（メタデータ） (2025-06-06T10:08:17Z) - ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。
我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - A Framework for Leveraging Partially-Labeled Data for Product Attribute-Value Identification [23.72090728600973]
GenToCは、部分的にラベル付けされたデータで直接トレーニングするために設計されたモデルである。
既存の最先端モデルよりも優れており、正確な抽出回数が56.3%増加した。
私たちのモデルは、インド最大のB2BeコマースプラットフォームであるIndiaMARTに統合されました。
論文 参考訳（メタデータ） (2024-05-17T17:09:45Z) - 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) - RF-LighGBM: A probabilistic ensemble way to predict customer repurchase
behaviour in community e-commerce [8.750970436444083]
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。
論文 参考訳（メタデータ） (2021-09-02T05:38:16Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。
本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文 参考訳（メタデータ） (2020-09-08T12:10:10Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z)
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。