Специалисты лаборатории исследований искусственного интеллекта (ИИ) Tinkoff Research заявили о разработке нового алгоритма для точного прогнозирования потребительских покупок в интернете с учётом времени покупок и их периодичности. Результаты работы были представлены на конференции по рекомендательным системам ACM RecSys, рассказали информационной службе Хабра в пресс‑службе «Тинькофф».Как устроен алгоритм TAIW: модули «Повторная покупка» и «Соседство»
По словам разработчиков, применение алгоритма позволит пользователям сэкономить время, необходимое на составление конкретной корзины и напомнит купить товар, про который пользователь мог забыть. Бизнесу алгоритм поможет повысить удовлетворённость клиентов, увеличить конверсию в покупку и простимулировать рост среднего чека.
Ранее, чтобы предсказать повторные покупки разработчики использовали такие методы, как цепи Маркова (математическая модель, которая помогает предсказывать будущие события на основе прошлых событий) или рекуррентные нейронные сети (модели машинного обучения, которые анализируют последовательность действий пользователя). Специалисты из Tinkoff Research рассказали, что эти инструменты не всегда позволяют корректно учесть при прогнозировании частоту покупки. Например, один человек может покупать кондиционер для белья каждые три недели, а другой — раз в полгода.
Чтобы учесть эти неточности, был создан новый алгоритм. Он учитывает состав предыдущих покупок конкретного человека и схожих по профилю пользователей, анализирует точное время приобретения конкретных товаров в прошлом и периодичность покупок, выявляет взаимосвязи между приобретением товаров из разных категорий. Алгоритм понимает, какие товары нужны человеку в конкретный момент: внедрение показателя времени позволило увеличить точность прогнозирования до 8%. Инструмент получил название Time‑Aware Item‑based Weighting (TAIW).
Исследователи провели эксперименты на реальных данных: использовали датасет онлайн‑площадки Taobao, входящую в Alibaba Group. В результате экспериментов TAIW стал самым эффективным методом среди аналогов в задаче next basket recommendation (NBR) за счёт точного ранжирования товаров на основе их актуальности в конкретный момент времени.
TAIW заранее знает, через какое время у пользователя закончатся продукты, и предложит ему купить их в нужный момент. TAIW состоит из двух модулей: «Повторная покупка» и «Соседство». Модуль «Повторная покупка» работает на основе процесса Хоукса — статистической модели, позволяющей понять временные закономерности и зависимости между событиями. Этот модуль помогает определить, когда конкретные товары будут наиболее актуальными для конкретного покупателя. Модуль «Соседство» помогает описать привычки пользователей с похожими предпочтениями. Эти данные используются, чтобы обеспечить более разнообразные рекомендации для конкретного человека.
Источник новости: habr.com
