论文阅读：Personalized Purchase Prediction of Market with Wasserstein-Based Sequence Matching

概述

该文章2019年发布于第二十五届SIGKDD国际会议

作者为来自于瑞士苏黎世大学的 Mathias Kraus 和 Stefan Feuerriegel

问题背景及陈述

营销中的个性化服务即为通过为个人定制服务来改善顾客的购物体验。为了完善个人定制服务，企业需要对顾客下一次的购买做出个性化的预测。也就是预测出顾客下一次购买物品的确切清单/顾客一次性购买的全套产品，即所谓的’maket basket’

了解客户‘maket basket’的构成可以为商家的个性化营销和针对性的交叉销售计划提供信息，完成供应链的管理或者产品组合的优化[1]. 但是实际上有关于市场篮子的相关工作不是很多，这主要由于它较高的内在复杂性：

1.它具有动态性 $\Rightarrow$ 需要推断出具有可变大小的子集
2.不仅限于单个时间序列的输入和单变量预测结果的输出
3.不仅是提供一个项目列表，预测市场篮子的具体性质取决于不同项目的特征

预测市场篮子的问题与其他市场营销中的预测任务有很明显的不同。比如：
（1）和已经被广泛应用于销售业的预测技术对比，该种预测是跨商店汇总的，他的输入涉及多变量时间序列，而他的输出是表示总销售额的单个值，该预测比推断具有可变大小的动态子集要简单的多，所以现在多半使用基于特征的分类器和递归神经网络，然而这些方法是不适合于市场篮子中的结果变量。
（2）和用户层面的购买预测对比，该种预测仅限于单个时间序列作为输入，单变量输出。而市场篮子必须建模伟一个动态集合
（3）ranking，在基于会话的推荐系统中，按照购买的频率对候选项目进行排序，然而这个任务仅需要安排项目列表，无法提供产品子集

市场篮子的独特特征决定了预测算法的具体性质

预测市场篮子是指确定客户在下一笔交易中将会购买的确切商品组合。

假设有一个零售商，他有n个可供购买的商品，记为$I=i_1,i_2,\cdots ,i_n$ .该零售商服务k个用户,记为$C=c_1,\cdots ,c_k$,零售商记录了这些用户的采购历史，目标是推断出客户c的下一次购买

包括的信息有顾客c先前购买的市场篮子的订购顺序，$B_c=[b_c^1,b_c^2\cdots b_c^{m_c}]$,其中$b_c^i\in I,i=1,\cdots m_c$,$m_c$表示过去的交易数量。类似的，这个客户群完整的购买历史集是$\beta =B_1,B_2,\cdots B_k$,市场篮子的大小为$|b_c^i|$,购买历史的长度是可变的，长度取决于$l$和$c$

给定客户c的购买历史$B_c$，购买历史中有$m_c$条，输出为预测的篮子$b$