标签:KNN 基于 IBM KDD2020 Encoder modal 产品 数据 RNN
https://dl.acm.org/doi/pdf/10.1145/3394486.3403362 【Title】Attention based Multi-Modal New Product Sales Time-series Forecasting【应用】预测新产品上市后的基于时间的销售数据【领域】Neural networks; RNNs; Encoder-Decoder;【文章要点】1. 使用历史数据进行训练,预测一个新产品上市后的销售情况2. 数据:产品图像数据I+产品属性数据x(如 design attributes such as color, pattern, sleeve style etc. or merchandising attributes such as list price, promotion etc.)3. 问题定义:销售数据: 输入数据: 需要求取的是: 同时,还需要考虑一些外部因素,如周末,节日,重大节日,促销等, 外部的因素表示为 综上,求取的是4. 系统整体示意:5. 传统方法:使用KNN。即将新产品与历史产品做比对,得到最为相似的K个旧产品,使用旧产品的历史数据集成并做响应的预测 1) Attribute KNN. 使用商品属性的距离,求取紧邻,使用距离作为权重的参考,将k个商品的历史销售数据集成。θ为距离相关的数据 2) Embedding KNN. 等不能直接量化的特征embedding,embedding后再求K个紧邻,随后同上。Φ为求embedding6. 基于Encoder-Decoder的时间序列模型。探索了多个模型 1)Sequence learning with encoded image input (Image RNN) Encoder模块为给定的输入图像计算一个紧凑的嵌入,并将其与时间特征合并,然后再把encoder生成的数据输入到RNN decoder 2) Sequence learning with encoded multi-modal inputs.(Multi-modal RNN) 与1)不同的是,将属性标签做了embedding,一起加进去网络中 3) Explainable sequence learning with attended multi-modal inputs.(Cross-Attention RNN) 加入可解释性的部分?使用Cross-Attention
6. 实验结果
7. 可解释性的结果
标签:KNN,基于,IBM,KDD2020,Encoder,modal,产品,数据,RNN 来源: https://www.cnblogs.com/combfish/p/13606402.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。