Better Capturing Interactions Between Products in~Retail: Revisited Negative Sampling for~Basket Choice Modeling
作者: Jules Désir, Vincent Auriau, Martin Možina, Emmanuel Malherbe
分类: cs.LG, cs.AI
发布日期: 2026-10-13
期刊: Machine Learning and Knowledge Discovery in Databases., 16021, pp.125-142, 2025, Lecture Notes in Computer Science, 978-3-032-06118-8
💡 一句话要点
提出基于负采样的购物篮模型以优化零售产品组合
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 零售优化 负采样 购物篮模型 产品交互 销售数据分析
📋 核心要点
- 现有方法在捕捉产品间相互作用方面存在不足，难以优化产品组合以避免销售互相侵蚀。
- 本文提出了一种购物篮模型，通过学习嵌入来表示产品、价格和商店之间的交互，采用随机负采样以提高计算效率。
- 在合成数据和Fortenova Group的真实交易数据集上进行的实验表明，该模型在性能上优于现有方法，展示了良好的应用潜力。
📝 摘要（中文）
实体零售商面临诸多挑战，尤其是在产品组合优化和促销规划方面。通过利用销售数据，零售商能够基于客户偏好和区域、季节趋势做出明智决策。本文提出了一种购物篮模型，通过学习嵌入表示产品、价格和商店之间的交互，旨在捕捉产品间的相互作用。为解决大规模交易数据集中的计算瓶颈，优化损失函数时采用随机负采样。实验表明，基于实际产品组合的负采样方法优于现有文献中的方法，并在Fortenova Group的数百万交易数据集上验证了模型的有效性。该模型为零售行业提供了有前景的应用，能够有效支持类别经理的决策。
🔬 方法详解
问题定义：本文旨在解决零售商在产品组合优化中面临的挑战，尤其是如何有效捕捉产品间的相互作用，以减少销售互相侵蚀的现象。现有方法在处理大规模交易数据时存在计算瓶颈，难以有效提取有价值的销售模式。
核心思路：论文提出的购物篮模型通过学习嵌入来表示产品、价格和商店之间的交互，利用随机负采样来优化损失函数，从而提高计算效率并改善模型性能。这样的设计使得模型能够在大规模数据集上有效运行。
技术框架：模型的整体架构包括数据预处理、嵌入学习、负采样和损失计算等主要模块。首先，对交易数据进行清洗和整理，然后通过嵌入层学习产品间的相互作用，接着使用随机负采样生成负样本，最后计算损失并更新模型参数。
关键创新：本文的主要创新在于引入随机负采样的方法，针对实际产品组合进行负样本生成，从而有效克服了大规模数据集中的计算瓶颈。这一方法在性能上显著优于传统的负采样技术。
关键设计：模型的损失函数设计为结合正样本和负样本的对比损失，嵌入层的维度设置为适应数据规模，确保模型能够捕捉到丰富的产品间关系。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于实际产品组合的随机负采样方法在合成数据和真实数据集上均表现出色，模型性能提升幅度超过了现有文献中的方法，验证了其在大规模交易数据处理中的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括零售产品组合优化、促销策略制定和库存管理。通过精准捕捉产品间的相互作用，零售商能够更好地满足客户需求，提高销售效率，降低库存成本，进而提升整体运营效益。未来，该模型还可以扩展到其他领域，如电商平台的推荐系统。
📄 摘要（原文）
Brick-and-mortar retailers face many different challenges that involve understanding thoroughly its products catalog and customer preferences. In particular, assortment optimization - proposing the ideal mix of products - and promotion planning hold a pivotal role in their strategy. By leveraging sales data, retailers can make informed decisions on which products to sell and how to manage inventory, based on customer preferences as well as regional and seasonal trends. It is especially crucial to capture interactions between products, in order to minimize the number of items that cannibalize each other's sales and to ensure that complementary products, which are often purchased together, are conjointly available and sold across all stores. In this paper, we propose a model of shopping basket that learns embeddings to represent interactions between products, prices and stores. Our model is built to uncover sales patterns from very large transaction datasets. In particular, the optimization loss is computed with random negative samples in order to overcome the computational bottlenecks that arise with large number of items. Our experiments on synthetic data show the efficiency of drawing such negative samples based on the actual assortment of available products, with better results than approaches from the literature. We also validate our approach by training and evaluating our model on a dataset composed of millions of transactions from Fortenova Group, one of the leading retail company in Southeast Europe. Our model showcases promising applications in the sector of retail, with enriched interfaces to efficiently support category managers.