Integrating High-Utility and Periodic Patterns with deep learning for next basket recommendation

Tóm tắt

Gợi ý giỏ hàng tiếp theo (Next Basket Recommendation – NBR) dự báo các hành vi mua sắm trong tương lai của người dùng thông qua việc phân tích các chuỗi giao dịch lịch sử. Các phương pháp học sâu hiện nay thường gặp khó khăn với các chuỗi có độ dài biến thiên, các giỏ hàng có mật độ thông tin cao và việc tích hợp các tín hiệu tường minh như độ lợi ích của mặt hàng hay tính định kỳ của hành vi mua sắm. Bài báo này đề xuất HybridSPMF, một khung làm việc theo hướng "ưu tiên SPM" (SPM-First), giúp chuyển đổi các khái niệm khai thác mẫu tuần tự (SPM) cổ điển thành một kiến trúc mạng thần kinh có khả năng học tập. Khung làm việc này nổi bật với Kho lưu trữ bộ nhớ phân cấp (Hierarchical Memory Pool) để xử lý lịch sử giao dịch từ 9 đến 91 giỏ hàng và kỹ thuật Nén giỏ hàng thích nghi (Adaptive Basket Compression) để xử lý các giao dịch dày đặc. Kết quả thực nghiệm trên ba bộ dữ liệu bán lẻ cho thấy HybridSPMF đạt được hiệu năng vượt trội. Đáng chú ý, trên bộ dữ liệu Ta-Feng, mô hình đạt mức cải thiện 56,6% đối với chỉ số UtilityRecall@20 và tăng 24,1% đối với NDCG@20. Những phát hiện này khẳng định rằng việc kết hợp các mẫu khai thác vào mạng thần kinh giúp nâng cao cả độ chính xác của hệ gợi ý lẫn các giá trị cốt lõi trong kinh doanh.