Sequential Recommendation Model for Next Purchase Prediction

要約

最新のデジタル マーケティング エクスペリエンスを提供する場合、レコメンデーションの適時性と状況に応じた正確さがますます重要になります。
従来のレコメンダー システム (RS) は、ユーザーの過去の購入を考慮して、関連性はあるものの時間に依存しないアイテムをユーザーに提案します。
これらの推奨事項は、購入直前の顧客の特定のニーズではなく、顧客の一般的な好みにのみ対応しています。
対照的に、トランザクション、購入、またはエクスペリエンスの順序を考慮して進化する嗜好を測定する RS は、より顕著で効果的な推奨事項を顧客に提供できます。シーケンシャル RS は、ユーザーの現在のニーズを行動的に理解するだけでなく、予測力も向上します。
このペーパーでは、46,000 のカード所有者に対する 270 万件を超えるクレジット カード取引の実稼働データセットを利用して、逐次レコメンデーション システムの有効性を実証し、ランク付けします。
この方法では、まず生のトランザクション データに対してオートエンコーダーを使用し、観察されたトランザクション エンコーディングを GRU ベースのシーケンシャル モデルに送信します。
逐次モデルは、既存の研究と一致して、サンプル外のテスト セットで 47% の MAP@1 メトリックを生成します。
また、シーケンシャル RS を使用したリアルタイム予測を、スケーラブルで低遅延のイベントベースのデジタル エクスペリエンス アーキテクチャである Nexus に組み込むことの影響についても説明します。

要約(オリジナル)

Timeliness and contextual accuracy of recommendations are increasingly important when delivering contemporary digital marketing experiences. Conventional recommender systems (RS) suggest relevant but time-invariant items to users by accounting for their past purchases. These recommendations only map to customers’ general preferences rather than a customer’s specific needs immediately preceding a purchase. In contrast, RSs that consider the order of transactions, purchases, or experiences to measure evolving preferences can offer more salient and effective recommendations to customers: Sequential RSs not only benefit from a better behavioral understanding of a user’s current needs but also better predictive power. In this paper, we demonstrate and rank the effectiveness of a sequential recommendation system by utilizing a production dataset of over 2.7 million credit card transactions for 46K cardholders. The method first employs an autoencoder on raw transaction data and submits observed transaction encodings to a GRU-based sequential model. The sequential model produces a MAP@1 metric of 47% on the out-of-sample test set, in line with existing research. We also discuss implications for embedding real-time predictions using the sequential RS into Nexus, a scalable, low-latency, event-based digital experience architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google