Predicting E-commerce Purchase Behavior using a DQN-Inspired Deep Learning Model for enhanced adaptability

📄 arXiv: 2506.17543v1 📥 PDF

作者: Aditi Madhusudan Jain

分类: cs.LG

发布日期: 2025-06-21

期刊: Vol. 13 No. 1s (2025): pages 45-56

DOI: 10.17762/ijisae.v13i1s.7419

💡 一句话要点

提出基于DQN的深度学习模型以预测电商购买行为

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 电商行为预测 深度学习 强化学习 LSTM 用户体验 需求预测 数据不平衡 模型评估

📋 核心要点

  1. 现有电商行为预测方法在处理用户购买意图和产品需求时存在准确性不足和类别不平衡的问题。
  2. 本文提出了一种结合LSTM和DQN的深度学习模型，旨在提升对用户行为的预测能力，适应电商环境的复杂性。
  3. 实验结果显示，该模型在大规模数据集上实现了88%的准确率和0.88的AUC-ROC得分，显著优于传统方法。

📝 摘要（中文）

本文提出了一种新颖的方法，通过受深度Q网络（DQN）启发的架构来预测电商环境中的购买意图和产品需求。在快速发展的在线零售环境中，准确预测用户行为对于优化库存管理、个性化用户体验和最大化销售至关重要。我们的方法将强化学习的概念适应于监督学习环境，结合了长短期记忆（LSTM）网络的序列建模能力与DQN的战略决策特性。我们在一个包含超过885,000个用户会话的大规模电商数据集上评估了模型，结果显示在处理电商数据中固有的类别不平衡问题时表现出色。通过对不同分类阈值的全面实验，我们的模型在精确度和召回率之间达成了平衡，整体准确率达到88%，AUC-ROC得分为0.88。比较分析表明，我们的DQN启发模型在捕捉用户行为的复杂时间模式方面优于传统机器学习和标准深度学习方法。

🔬 方法详解

问题定义：本文旨在解决电商环境中用户购买行为预测的准确性不足和类别不平衡问题。现有方法在处理稀疏的购买事件时常常表现不佳，导致预测效果不理想。

核心思路：我们的方法将强化学习中的DQN理念与监督学习相结合，利用LSTM网络的序列建模能力来捕捉用户行为的时间特征，从而提高预测的准确性和适应性。

技术框架：整体架构包括数据预处理、特征提取、模型训练和评估四个主要阶段。首先对用户会话数据进行清洗和特征工程，然后构建基于LSTM的深度学习模型，最后通过交叉验证评估模型性能。

关键创新：本研究的主要创新在于将DQN的决策机制引入到电商行为预测中，使模型能够更好地处理时间序列数据，捕捉复杂的用户行为模式。这一方法在理论上和实践中都与传统的机器学习方法存在本质区别。

关键设计：模型采用LSTM网络结构，损失函数为交叉熵损失，参数设置经过多次实验优化，以确保模型在处理不平衡数据时的鲁棒性。

📊 实验亮点

实验结果表明，所提出的DQN启发模型在处理电商数据时表现优异，整体准确率达到88%，AUC-ROC得分为0.88。与传统机器学习和深度学习方法相比，该模型在捕捉用户行为的复杂时间模式方面具有明显优势，展示了更好的性能和可扩展性。

🎯 应用场景

该研究的潜在应用领域包括电商平台的用户行为分析、个性化推荐系统和库存管理优化。通过准确预测用户购买意图，电商企业可以更好地调整营销策略、提升用户体验，并有效管理库存，从而实现更高的销售额和客户满意度。

📄 摘要（原文）

This paper presents a novel approach to predicting buying intent and product demand in e-commerce settings, leveraging a Deep Q-Network (DQN) inspired architecture. In the rapidly evolving landscape of online retail, accurate prediction of user behavior is crucial for optimizing inventory management, personalizing user experiences, and maximizing sales. Our method adapts concepts from reinforcement learning to a supervised learning context, combining the sequential modeling capabilities of Long Short-Term Memory (LSTM) networks with the strategic decision-making aspects of DQNs. We evaluate our model on a large-scale e-commerce dataset comprising over 885,000 user sessions, each characterized by 1,114 features. Our approach demonstrates robust performance in handling the inherent class imbalance typical in e-commerce data, where purchase events are significantly less frequent than non-purchase events. Through comprehensive experimentation with various classification thresholds, we show that our model achieves a balance between precision and recall, with an overall accuracy of 88\% and an AUC-ROC score of 0.88. Comparative analysis reveals that our DQN-inspired model offers advantages over traditional machine learning and standard deep learning approaches, particularly in its ability to capture complex temporal patterns in user behavior. The model's performance and scalability make it well-suited for real-world e-commerce applications dealing with high-dimensional, sequential data. This research contributes to the field of e-commerce analytics by introducing a novel predictive modeling technique that combines the strengths of deep learning and reinforcement learning paradigms. Our findings have significant implications for improving demand forecasting, personalizing user experiences, and optimizing marketing strategies in online retail environments.