计算机科学>机器学习
标题: 一个用于学习图表示以预测时装零售业客户回报的数据集
摘要: 我们提出了一个由ASOS(一家主要的在线时尚零售商)收集的新数据集,以解决在时尚零售生态系统中预测客户回报的挑战。 随着这一重要数据集的发布,我们希望推动研究团体和时尚行业之间的进一步合作。 我们首先探讨了该数据集的结构,重点是图形表示学习的应用,以便利用自然数据结构并对数据中的特定特征提供统计见解。 除此之外,我们还展示了回报预测分类任务的示例,其中包括选择的基线模型(即没有中间表示学习步骤)和基于图表示的模型。 我们发现,在下游收益预测分类任务中,使用图神经网络(GNN)可以找到0.792的F1分数,这是对本工作中讨论的其他模型的改进。除了F1分数增加之外,我们还通过将数据重新转换为图结构来呈现较低的交叉熵损失, 表示基于GNN的解决方案的更稳健预测。 这些结果证明,相对于现有数据集上的其他基线模型,GNN可以提供更具影响力和可用性的分类,基于这一动机,我们希望鼓励进一步研究使用ASOS GraphReturns数据集的基于图形的方法。