Deep Learning basedBuy Predictionswith Sequence Models

Abstract

Identifying whether a clicked item in an e-commerce session will end in a purchase is a current research inquiry. This task was also set at the RecSys Challenge in 2015. The competition was won with a two-stage approach by Romov and Sokolov. They first recognized the buyers with the help of session data and then determined the purchased items on the recognized purchase sessions. However, in the features of their models, there is no information about the exact click sequences of the items that were viewed in a session. Therefore, in this paper, I examine the question of whether the purchase of products depends on the click stream of the items that are viewed in a session. For this purpose, I train sequence models on the item clicks of the sessions with purchases to check whether they can help predict purchased items. Here, I use the two sequence models of sequence classification and sequence labeling. I combine my sequence models with those of Romov and Sokolov to determine if their approach improves with sequence information. This research demonstrates that buying an item depends on the click order of the items that are viewed and can improve the predictive results of a feature-based approach, such as that of Romov and Sokolov. In addition, the research illustrates that data preparation is less time-consuming for this approach than for a feature-based approach.

Die Identifizierung, ob ein angeklickter Artikel in einer E-Commerce Sitzung mit einem Kauf endet, ist ein aktuelles Forschungsthema. Diese Aufgabe wurde auch bei der Rec- Sys Challenge im Jahr 2015 gestellt. Der Wettbewerb wurde mit einem zweistufigen Ansatz von Romov und Sokolov gewonnen. Sie erkannten zuerst die Käufer mit Hilfe von Sitzungsdaten und bestimmten dann die gekauften Artikel auf den erkannten Kaufsitzungen. In den Merkmalen ihrer Modelle gibt es jedoch keine Informationen über die genauen Klickseqeunzen der betrachteten Artikel in einer Sitzung. Daher untersuche ich in dieser Arbeit die Frage, ob der Kauf von Produkten von der Klicksequenz der betrachteten Artikel in einer Sitzung abhängt. Zu diesem Zweck trainiere ich Sequenzmodelle auf den Klicks der Sitzungen mit Käufen, um zu prüfen, ob sich die gekauften Artikel mit Hilfe dieser vorhersagen lassen. Hier verwende ich die beiden verschiedenen Sequenzmodelle Sequence Classification und Sequence Labeling. Ich kombiniere meine Sequenzmodelle mit den Modellen von Romov und Sokolov, um zu untersuchen, ob sich ihr Ansatz mit Sequenzinformationen verbessert. Meine Untersuchungen haben gezeigt, dass der Kauf eines Artikels von der Klickfolge der angesehenen Artikel abhängt und zu einer Verbesserung der Vorhersageergebnisse eines merkmalsbasierten Ansatzes wie der von Romov und Sokolov beitragen kann. Zudem wurde gezeigt, dass für den Ansatz die Datenvorbereitung weniger zeitaufwendig ist als für einen merkmalsbasierten Ansatz.