所有文章 > 正文

KDD2021电子商务相关必读论文推荐

作者: AMiner科技

时间: 2021-07-23 17:29

AMiner通过AI技术,对KDD2021收录的会议论文进行了分类整理,欢迎下载收藏!

AMiner-KDD2021:https://www.aminer.cn/conf/kdd2021

1.论文名称:Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach


论文链接:https://www.aminer.cn/pub/60a4e78891e011e398b0cfc4


在本文中,通过利用丰富的观察交易数据,我们提出了一种新颖的数据驱动和可解释的降价定价方法,包括反事实预测和多期价格优化。首先,我们建立了一个半参数结构模型来学习个体价格弹性并预测反事实需求。这种半参数模型利用了非参数机器学习模型的可预测性和经济模型的可解释性。其次,我们提出了一种多期动态定价算法,以最大化易腐烂产品在其有限销售范围内的整体利润。与使用确定性需求的传统方法不同,我们对反事实需求的不确定性进行建模,因为它在预测过程中不可避免地具有随机性。基于随机模型,我们通过马尔可夫决策过程推导出序列定价策略,并设计了一个两阶段算法来解决它。所提出的算法非常有效。它将时间复杂度从指数降低到多项式。


2.论文名称:SizeFlags: Reducing Size and Fit Related Returns in Fashion E-Commerce


论文链接:https://www.aminer.cn/pub/60c1af1291e0112cf43c21d0


电子商务正以前所未有的速度增长,时尚行业最近见证了客户订单行为向更强大的网上购物的显着转变。然而,网上订购的时尚物品并不总能进入顾客的衣橱。事实上,其中很大一部分最终会被退回。在网上寻找合身的衣服非常具有挑战性,这也是时尚电子商务退货率提高的主要驱动因素之一。尺码和合身相关的退货严重影响 1. 客户对网上购物的体验和不满,2. 碳足迹增加对环境的影响,以及 3. 在线时尚平台的盈利能力。由于不合身,客户经常会退回他们喜欢但不合身的物品,他们不得不重新订购不同尺寸的物品。为了解决这个问题,我们引入了 SizeFlags,这是一种基于弱注释的大规模客户数据的概率贝叶斯模型。利用贝叶斯框架的优势,我们扩展了我们的模型,以成功整合来自人类专家反馈和计算机视觉智能的丰富先验。通过广泛的实验、大规模的 A/B 测试和对生产模型的持续评估,我们证明了所提出的方法在大力减少 14 个国家/地区在线时尚中与尺寸相关的回报方面的强大影响。


3.论文名称:Leveraging Tripartite Interaction Information from Live Stream E-Commerce for Improving Product Recommendation


论文链接:https://www.aminer.cn/pub/60c1a1a391e0112cf43c215b


最近,一种将直播与电子商务活动相结合的新形式的网上购物变得越来越流行。主播介绍产品并与观众互动,从而大大提高了销售产品的性能。尽管在行业中取得了成功的应用,但直播电子商务在数据科学界并没有得到很好的研究。为了填补这一空白,我们调查了这个全新的场景并收集了一个真实世界的实时流电子商务 (LSEC) 数据集。与传统的电商活动不同,主播在LSEC活动中扮演着举足轻重的角色。因此,关键是要充分利用主播、用户和产品之间丰富的交互信息。我们首先对三方交互数据进行数据分析,量化主播对用户购买行为的影响。根据分析结果,我们将三方信息建模为异构图,可以将其分解为多个二部图以更好地捕获影响。我们提出了一种新颖的实时流电子商务图神经网络框架(LSEC-GNN)来学习每个二部图的节点表示,并进一步设计一种多任务学习方法来改进产品推荐。在两个不同规模的真实世界数据集上进行的大量实验表明,我们的方法可以显着优于各种基线方法。


二维码 扫码微信阅读
推荐阅读 更多