Predicting purchasing intention through a single stage siamese deep learning models

Abstract

Compreender o comportamento de compra do consumidor no contexto do e-commerce é uma tendência recente nas grandes lojas de varejo. Pode ser muito atraente para as empresas de varejo saber quais usuários comprarão em seu mercado e quais produtos comprarão. Através do estudo do comportamento do usuário online, modelos podem ser criados para melhorar a personalização de marketing e construir produtos digitais.

Através dos dados históricos de eventos do usuário, como itens clicados, é possível utilizá-los como recursos para previsão de compras. Apesar do valor desses dados, não é tão simples criar modelos de aprendizado de máquina usando-os. Um número muito pequeno de sessões de usuários são compradores de itens e, em geral, os modelos apresentam maiores dificuldades de aprendizado com classes desequilibradas. Além disso, há um grande número de produtos em uma loja, tornando o problema ainda mais complexo.

Trabalhos anteriores na literatura mostram que é melhor resolver o problema em duas etapas, ou seja, usando dois modelos: um modelo para prever quais clientes estarão comprando itens e outro para prever quais produtos serão adquiridos entre esses consumidores. Resolver problemas em duas etapas torna o problema mais simples, pois divide a complexidade do modelo. No entanto, ao criar dois modelos, o segundo modelo não usa informações de sessões não-compradoras para resolver a classificação do item. Além disso, se o primeiro modelo deixar de classificar uma sessão como sessão do comprador, o segundo modelo poderá ter seus resultados impactados negativamente. Portanto, para este trabalho, nosso objetivo é desenvolver um modelo que resolva o problema com apenas um modelo, um \emph{modelo de estágio único}. Implantamos redes neurais siamesas para extrair recursos para lidar com desequilíbrios.

Em nossa estrutura de estágio único, tivemos várias contribuições. Primeiro, é a criação de uma nova função de perda, a perda quarteto, que otimiza os parâmetros de forma diferente da perda tripla. Em segundo lugar, está o desenvolvimento de duas estratégias diferentes para modelar as sessões de clique do usuário. Terceiro, é a criação de métricas que avaliam os resultados dos modelos de e-commerce em sessões online. E por fim, desenvolvemos métodos de aprendizado de máquina usando este framework de projeto que atingiu o estado da arte para este problema.