对抗性解耦技术能够实现可靠的购买意图预测

《IEEE Access》：Adversarial disentanglement enables robust purchase intention prediction

　　

摘要：

本文探讨了在不平衡的表格式电子商务数据中预测购买意图的问题。一个主要的技术挑战是表示纠缠问题，即观察到的会话特征将潜在意图与常规行为模式混合在一起。我们提出了“解耦专家混合专家对抗网络”（DEMA）来分离这些成分。该架构使用梯度反转层（GRL）作为正则化器，将输入特征分解为特定于意图的向量（Zi）和纯化的、与意图无关的行为向量（Zc）。门控网络利用Zc将样本路由到专门的专家模块，而专家模块则使用合并后的（Zc, Zi）进行最终分类。在三个数据集上对模型进行了性能评估。在Online Shoppers数据集上，DEMA的PR-AUC为0.915，F1分数为0.930；在Olist满意度数据集上，其PR-AUC和F1分数均为0.915；在大规模的YOOCHOOSE子集（1,000,000个样本）上，该模型的PR-AUC为0.824，F1分数为0.795，在类别分布偏斜的情况下优于基于GBDT和Transformer的基线模型。