文件名称：tbp-next-basket:基于TARS的下一篮子预测
文件大小：8.34MB
文件格式：ZIP
更新时间：2024-06-02 04:15:20
Python
基于TARS的下一篮子预测 如今，连锁超市面临的一个紧迫挑战是向其客户提供个性化服务。 这些服务之一就是市场预测，即根据客户当前的需求为客户提供下一次购物的购物清单。 当前的方法无法同时捕获影响客户决策过程的不同因素：共现，顺序性，购买项目的周期性和重复性。 为此，我们定义了一种模式的时间批注重复序列（ TARS ），它可以同时并自适应地捕获所有这些因素。 我们定义了提取TARS的方法，并为下一个篮子开发了一个预测器，称为TBP （基于TARS的预测器），该预测器在TARS的基础上能够了解客户的库存水平并推荐最必要的物料组。 通过采用TBP，超市连锁店可以为每位客户提供量身定制的建议，从而可以有效地加快他们的购物时间。 引文 R. Guidotti，G。Rossetti，L。Pappalardo，F。Giannotti，D。Pedreschi， “使用用户中心时间性注释重复序列的市场篮子预
【文件预览】：
tbp-next-basket-master
----utils()
--------distance_functions.py(9KB)
--------__init__.py(156B)
--------data_management.py(8KB)
----tbp()
--------tbp.py(2KB)
--------__init__.py(1B)
--------tars.py(54KB)
----evaluation()
--------estimate_basket_length.py(2KB)
--------__init__.pyc(109B)
--------__init__.py(1B)
--------evaluation_measures.py(3KB)
--------calculate_aggregate_statistics.py(2KB)
----parameter_setting.txt(2KB)
----dataset()
--------coop_categories_map.csv(876KB)
--------coop100.json.zip(1.75MB)
--------tafeng.json.zip(6.41MB)
----competitors()
--------markovchain.py(2KB)
--------fpmc.py(6KB)
--------top.py(2KB)
--------__init__.py(1B)
--------nmf.py(2KB)
--------clf.py(7KB)
--------dream.py(11KB)
--------hrm.py(9KB)
--------last.py(1002B)
--------dream_model()
----LICENSE(34KB)
----test()
--------test_tbp.py(4KB)
----README.md(2KB)
----.gitignore(1KB)