文件名称：顺序决策推荐系统-研究论文
文件大小：1.42MB
文件格式：PDF
更新时间：2024-06-09 10:14:49
recommendation system Gaussian copula sequential
尽管有关推荐系统的营销文献已经证明了整合消费者行为模型以提高算法性能的价值，但是大多数研究都集中在同时提供选择的情况下，例如关于亚马逊的推荐。 在本文中，我们提出了一种针对顺序决策场景的推荐系统，在该系统中，一系列选择顺序可用并Swift过期，并且未来选择的质量不确定。 日常交易网站上的建议提供了这种情况的示例。 所提出的推荐系统以消费者行为的搜索文献为基础。 我们开发了一种新的机器学习算法来训练模型并做出预测。 具体来说，我们利用半参数高斯copula的方法在变量之间生成复杂的联合分布，包括个体特征，交易特征，时序性时间因素和购买决策。 根据特定用户在特定日期的可用购买可能性，根据联合分布的有条件后验计算得出建议。 该算法的半参数性质和最大似然估计方法使其对不平衡数据具有鲁棒性。 我们将该模型应用于包含Groupon客户点击流数据的专有数据集，并通过将其与其他流行的推荐算法进行顺序决策场景进行比较，证明了该方法的优越性能。 提议的系统有助于公司在正确的时间以正确的产品定位正确的客户的努力。