337CrEOS：识别在线会话MeghanathMacha宾夕法尼亚州匹兹堡CMU亨氏学校mmacha@cmu.edu尚卡尔·文基塔查兰Adobe Inc圣何塞svenkita@adobe.comDeepakPaiAdobeInc圣何塞dpai@adobe.com摘要分析消费者在在线会话中的体验是营销人员的基本任务，以丰富，个性化和增强他们未来与公司的 点击（web）或点击（移动）事件流有效地捕获在线会话中的消费者体验。在这项工作中，我们提出CrEOS有助于现有的文献部署深度学习技术来模拟在线消费者行为。CrEOS使用多变量LSTM对消费者转化行为进行建模，通过一系列上下文特征丰富除了预测之外，CrEOS还确定了在三个层面上阻碍或帮助转换的事件-消费者，消费者细分和营销渠道的过渡。 我们在美国一家大型电子商务公司的点击流数据上验证了CrEOS，将其与单变量LSTM进行了比较，并讨论了考虑到一系列营销任务的关键事件识别所得出的见解。CCS概念• 应用计算→网上购物;·信息系统→Web挖掘。关键词市场营销，消费者行为，深度学习，反事实分析ACM参考格式：Meghanath Macha ， Shankar Venkitachalam 和 Deepak Pai 。 2020.CrEOS：识别在线会话中的关键事件。在2020年网络会议（WWW '20Companion）的配套程序中，2020年4月20日至24日，台北，台湾。ACM，美国纽约州纽约市，6页。https://doi.org/10.1145/3366424的网站。33821851介绍分析消费者在在线会话中的体验是营销人员的基本任务，以丰富，个性化和增强他们未来与公司的点击（网络）或点击（移动）事件流有效地捕捉在线会话中的消费者 分析点击流和点击流以预测消费者的购买倾向是一个活跃的研究领域（参见图1）。[5]一个调查。虽然早期的作品[3，13]依赖于广泛的功能工程，从用户会话来预测购买意图，最近，这 项工作是在Meghanath在Ado be实习时完成的。本文在知识共享署名4.0国际（CC-BY 4.0）许可下发布作者保留在其个人和公司网站上以适当的署名传播作品的权利WWW©2020 IW 3C 2（国际万维网大会委员会），在知识共享CC-BY 4.0许可下发布。ACM ISBN 978-1-4503-7024-0/20/04。https://doi.org/10.1145/3366424.3382185趋势已经转向采用端到端深度学习技术。这些主要涉及学习单个变量[8，11，12，14] LSTM，其中输入是消费者最近的趋势转变减轻了营销人员执行特征工程的负担此外，最近的研究[12] 有证据表明，深度学习技术比基于固定向量的方法更好地建模消费者转换。然而，对于营销人员来说，能够预测消费者的购买意图将理想地需要通过帮助消费者做出购买决定的点击或轻敲事件（下文中的事件）来补充。虽然已经研究了注意力层的添加[14]或转换行为的事后解释[12]，但这些研究仅限于单变量LSTM。转化模型的说明为营销人员提供有用的反馈，以在未来更好地丰富消费者的体验例如，假设转化模型预测用户的一部分具有低转化倾向，并且用事件“产品问题”阻碍购买倾向的解释来补充倾向电子商务营销人员可以使用该信息来假设客户对产品问题的答案不满意，或者缺乏对销售者提供的消费者问题的答案。 根据这些信息，营销人员可以通过提高产品页面上答案的质量和及时性来丰富消费者未来的体验。鉴于解释对营销人员的有用性，有必要开发不仅预测在线转换而且提供解释的。在这项工作中，我们为部署深度学习技术[8，11，12，14]的不断增长的文献做出了贡献，通过CrEOS（在线会话中的关键事件）以两种方式对转换行为进行建模。首先，CrEOS使用多变量LSTM对消费者的转换行为进行建模。这是通过用其他事件特定的上下文特征（诸如产品价格、周末/工作日）来丰富消费者事件流以预测转化来完成的其次，CrEOS在三个层面上提供了转换行为的事后解释-消费者，消费者细分和营销漏斗[16]。具体而言，使用CrEOS，营销人员除了估计转换倾向外，还能够回答以下三个问题。(1) 消费者-给定一个消费者事件流，哪些事件有助于或阻碍了转化倾向？(2) 消费者细分-给定一个消费者事件流的细分，哪些事件有助于或阻碍了他们的转换倾向？(3) 营销漏斗-给定一段消费者事件流，哪些事件帮助或阻碍了他们在营销漏斗中从意识到欲望的338KK（ |）i iKKiKiKKKiKiK（|{}）iii123KiJJ我JWWW图1：CrEOS中营销人员的工作流程概述CrEOS识别阻碍或帮助事件流中的转化倾向的事件（称为关键事件）。在前面的例子中，“产品问题”是至关重要的这些事件是通过反事实分析来确定的，该分析量化了每个事件的重要性。图2：多变量LSTM输入和输出（红色）可以很长，为了解决消失梯度问题并更好地捕获长期依赖关系，我们考虑使用LSTM来对转换进行建模。消费者事件流中的事件我们将其扩展到消费者假设消费者i的事件序列由Ei=通过设置假设检验进行细分和采购漏斗Ki我我我我框架. 我们在美国一家大型电子商务公司的点击流事件数据上验证了CrEOS，并将其与单变量LSTM进行了比较。{e1，e2，e3.. . ，eki}当事件是口头或口头的时，kiindi-对应于第i个消费者的事件数。为并讨论从关键事件识别中得出的见解一个电子商务网站，在Ei我 通常包括考虑到一系列的营销用例。2方法产品主页，购物车添加，评论页面等。 设Y i为我{我，我，我... yi}是长度为ki的向量，其表示是否消费者在Ei中的每个事件之后进行了购买（yi=1，如果2.1营销人员否则消费者转换0）。建模凯杰我我在图1中，我们展示了CrEOS中营销人员工作流程的概述首先，营销人员选择一组消费者进行分析。然后查询所选消费者的历史在线会话事件流。事件流可以包括P YK 杨永 ，事件流可以进一步用基于上下文特征来丰富作为在每个事件上花费的时间，会话期间购物车中的项目数量，如果事件是产品主页，则产品的价格一系列URL或一组特定的事件，如产品等我我我我 我我主页、评论页面等，消费者通常在进行购买之前执行。虽然这些事件可以直接被对于y，考虑Cki={c→1，c→2，c→3. . ，c→ki}，其中rec→j是对应于ei的这些上下文特征的向量。在CrEOS中，我们我在CrEOS中，URL需要进行预处理。这可能是通过利用一些早期的研究[3，13]，详细说明将转换问题建模为P（yi|{Ei ，Ci我}）中。我们考虑一个随着历史事件而增加的一系列背景特征点击URL的分类此外，事件流中的每个事件可以用其他上下文特征来增强，诸如事件发生的时间。流Ei我 . 在图2中，我们显示了日、工作日/周末、产品价格等。下一步是主页，产品主页，产品比较，产品主页以购买结束事件与七个上下文一起增加将历史会话信息反馈给CrEOS，CrEOS首先学习多变量LSTM来预测转化倾向在CrEOS中考虑实际特征。 Wem odeltheP（yi|{Ei，Ci}）作为一个二进制分类问题，最小化每个然后在消费者那里产生事后解释，事件，并执行五重交叉验证以估计细分市场和采购渠道级别。这一点在Ki我我我下一节。基于从所选消费者的关键事件中获得的见解，营销人员可以相应地制定营销决策。2.2Creos2.2.1预测转化倾向的序贯模型为了预测消费者的转化，我们学习了一个单向多变量LSTM。消费者事件流是连续的，并且长度不同，这使得RNN成为预测任务的自然模型选择。此外，RNN提供了适应其他上下文特征的灵活性，并且通常需要最小的数据处理和最小的数据处理。P YKEk，Ck.有关培训的更多细节将在后面讨论在第3节。接下来，我们介绍CrEOS中的反事实分析框架，该框架识别有助于转换估计的关键事件我们首先在消费者层面讨论这一点，然后将其扩展到消费者细分市场和营销漏斗的过渡。2.2.2消费者级别的关键事件。 为了识别阻碍或帮助消费者转换倾向的关键事件，我们利用消费者转换倾向P（y i）的中间估计|{Ei，Ci}），j≤ki. 请注意，LSTM特征工程假设使用者历史事件流模型（输入和输出结构请参见图2）估计339KiKKiJJJJJ（）下一页JJ（）下一页JJ（）下一页J1JJJ+1JJ+1JJKiJJJJJJJJJCrEOS：Identifying Critical Events in Online Sessions WWW图3：L（ei）：事件发生时倾向的差异图4：L（eiη）：相对面中的倾向差异J礼物Jtual。P（yi|{Ei ，Ci}）可用于估计转化倾向2.2.3消费者细分市场级别的关键事件。：当Q（ei）对{Ei，Ci}的任意有序子序列，j≤ki}中。我们量化了事件在消费者层面的重要性，营销人员我 的天我我可能有兴趣了解消费者用一个不同的公式来量化ej∈Eki中每个事件的重要性在差异估计中的事件[2]，其中事件ei被视为消费者与计量经济学类似，差异估计中的差异计算了治疗（此处为ei）对结果（此处为消费者转化倾向），通过比较治疗的结果变量的变化与对照的结果变量的变化。为了计算我们设置中的差异估计的差异，我们首先计算消费者转换的差异段级。例如，一家电子商务公司最近在其网站上引入了“产品评论”选项。当然，营销人员会有兴趣了解评论是否有助于消费者做出购买决定。为了适应这样的推论，建议的Q ei被扩展到消费者通过建立下面的假设检验框架，对于一个事件ej，我们考虑所有具有ej的消费者在其对应的事件流Ei中，并建立两个单侧替代配对t检验，以评估L（ei）和L（ei），定义在等式中。1.一、在事件P（yi=1）处概率密度|{Ei，Ci}）从先前事件jj我我我j j j伊伊P（yj−1=1|{Ej−1，Cj−1}）（t reatment）. 这量化了影响H0：L（ej）≤L（ej）;当事件e i存在时，e i对转化倾向的影响（图3）。接下来，我们考虑反事实，其中事件HA：L（ei）>L（ein）;如果事件是关键的，则拒绝null有助于转换。（二更）不存在（对照，图4）{Ei\ei，Ci\ci}并重新计算转换倾向与先前事件的差异菲-H0：L（ei）≥L（ei）;最后，我们在两个估计值1中执行差，以计算jjei∈Ei，Q（ei）的临界性HA2：L（ei）L（ei）;<（三）L（ei）=P（yi=1|{Ei，Ci}）−P（yi=1个|{Ei，Ci ）的文件如果事件是关键的，则拒绝空值，这会妨碍转换。j j jjj−1j−1j−1如所讨论的，L（ej）和L（ej）捕获消费者的变化，L（ei）=P（yi =1|{Eiei，Ci{\displaystyle{\frac {i}）−P（yi=1个|{Ei，Ci}）jjj+1j+1j j+ 1jj−1j−1j−1当事件存在时事件的转换概率，Q（ei）=L（ei）−L（ei）在反事实中，它是不存在的。比较平均值，j j j（一）使营销人员能够识别给定事件是否显著直觉上，如果Q ei是正数，就意味着事件是致命的-提高消费者另一方面，如果Q（ei）为负，则意味着该事件是有害的。营销人员可以使用Q ei的估计值来在消费者层面推断见解该等估计亦可用于识别与事件相关的消费者分部。例如，营销人员可以形成对电子商务网站上的事件“交易页面”具有积极关键值的消费者的消费者细分，并且通过在他们未来的访问中提供更好的交易来个性化他们的体验，1注意，不能使用双向LSTM来学习P（yi |{Ei，Ci}）来量化在消费者细分市场中至关重要的事件，也可以用于识别一系列关键事件。也就是说，给定消费者细分和诸如产品主页、产品评论等事件的范围通过对每个事件应用假设检验框架，营销人员可以识别出对帮助转化（HA1）和阻碍转化（HA2）非常关键的事件子集。在第3节中，我们将详细说明细分市场水平的关键分析对不同类型消费者细分市场的营销人员的实用性。2.2.4营销漏斗过渡中的关键事件最后，我们扩展了CrEOS电子商务网站的消费者通过营销漏斗我们估计的临界性Q（ei），因为L（ei），L（ei）将不再捕获[1]的文件。在一个电子商务网站，这个漏斗可以大致分类当事件存在时倾向的差异和反事实。四个不同的州340KiKiKKiKKiKiKJJ不KiJWWW图5：营销漏斗过渡(1) 意识：在这种状态下，消费者了解电子商务公司的各种产品。(2) 兴趣：一旦消费者意识到公司，消费者可能会进入一个兴趣阶段，在那里她对各种产品产生兴趣。(3) 欲望：浏览各种产品，成为消费者表1：早期检测性能-单变量LSTM。%点击事件精度召回F-1评分AUC百分之二十五0.570.720.640.63百分之五十0.650.670.660.69百分之七十五0.700.720.710.74百分百0.720.870.790.79约4%的消费者。总共有99种点击事件类型（访客登录、按类别浏览等）。在我们的数据集中。3.1顺序式模型可能希望购买某种产品并对该产品进行集中研究。我们对P（yi）进行建模|{Ei ，Ci我}）作为一个二元分类问题，(4) 购买：最后，消费者进入购买阶段。lem.为了训练LSTM，我们首先嵌入分类特征，在这里，消费者购买她想要的产品，在{Ei ，Ci我}并将它们与数字特征连接起来。从她知道的网站上，从她感兴趣的一个产品上。在每个阶段，客户表现出不同的浏览行为[9]。识别客户阶段使营销人员能够根据客户的阶段执行个性化目标。此外，了解是什么事件促使消费者从一个阶段进入另一个阶段也至关重要。例如，消费者在多个完全连接的密集层被添加到LSTM的输出中，以估计给定事件和上下文流的转换概率。此外，为了解决电子商务环境2中自然存在的类别不平衡，我们根据转换结果分配了不同的样本权重。最后，我们执行五重交叉验证并调整三个参数-密集层的数量，优化器和样本权重意识阶段，可以在观看后进入兴趣阶段为了最大化精度并估计P（yi|{Ei ，Ci我}）中。一个产品的恒星客户评论，而另一个消费者可能会触发由于产品价格。能够识别消费者之间的这种异质性将进一步微调营销人员的定位能力。在我们的设置中，我们假设营销人员已经确定了消费者的阶段，并有兴趣确定帮助他们在阶段之间过渡的关键事件。我们用一个例子来说明这一点，在图5中我们可视化了一个由五个事件组成的事件序列。 对于消费者i和每个阶段的转换（图5中的绿色框），我们考虑转换之前的所有事件（主页，产品A主页，产品B主页）和转换时的事件（产品C主页）。我们估计这些事件中的每一个的临界性Q（ei），如等式（1）中所述1.一、3.2CrEOS用于早期检测：在表1，2中，我们将CrEOS的多变量上下文丰富的LSTM与[ 12 ]中提出的单变量LSTM进行了比较具体来说，我们比较了学习模型在测试数据上的早期检测性能。 这样做是为了模仿营销人员，他们有兴趣知道消费者是否会在点击会话中尽早转换。 我们将测试集中的每个会话截断为25%，50%和75%，并报告两个模型的精确度，召回率，F-1得分和AUC。 我们观察到，CrEOS的多变量LSTM与仅基于点击事件学习的LSTM在25%的水平上相当，并且随着更多序列的揭示，在AUC方面优于基线。类似的观察可以从精确召回Jii曲线在图6中可视化，其中所提出的转换模型形式上，假设转换发生在et，我们计算Q（ej）优于单变量LSTM。这从经验上证明了ei ∈ Ei 估计的Q（ei）可以进一步扩展为一个消费者细分，以评估是否一个事件i是关键的，确定一系列的消费者事件在阶段过渡使用的假设检验框架中讨论的方程。二三3个实验我们应用所提出的方法上的一个快照的点击流事件数据的一个大型的美国电子商务公司。只要两个事件之间有30分钟的不活动，我们就将事件流分解点击流数据的会话化是一种标准的预处理技术如图2所示。3.3面向消费者细分市场的CrEOS在表3中，我们讨论了CrEOS假设检验框架为不同消费者细分市场确定的关键事件。我们手工制作了四个不同的消费者群体来模仿营销人员，并从数据集中的99个事件中识别出有助于或阻碍在线购买的事件子集。这四个部分是根据快照中消费者的浏览行为手工制作的。点击流分析[12，13]。接下来，我们删除所有会话，少于五个点击事件。最终样本包括10，234个2在电子商务网站上，每100个消费者中只有2-3个最终转化。将上下文添加到第2.2.1节中讨论的事件流中341CrEOS：Identifying Critical Events in Online Sessions WWW表2：CrEOS的早期检测性能%点击事件精度召回F-1评分AUC百分之二十五0.620.370.460.62百分之五十0.730.450.560.73百分之七十五0.800.560.660.79百分百0.860.820.840.89表3：消费者细分市场的CrEOS（4）时间消费者-比一般消费者花费更多时间的消费者（属于消费者花费时间分布的80 - 100百分位在表3中，我们观察到事件“这表明，如果生产者搜索和比较不同的产品，他们更有可能在网上购买。此外，如果一个产品订购者浏览“商店得出类似的推论，如果OFFE r grABBE rs正在查看产品评论，他们更有可能购买，如果他们看到网站上的“访客登录”页面，他们就会望而却步此外，如果消费者比较多个产品并浏览产品评论，则他们更有可能购买。正如预期的那样，我们注意到大多数的登陆页面，如主页，交易页面，产品促销出现在阻碍消费者倾向的事件中。3.4CrEOS用于营销渠道过渡在表4中，我们列出了营销漏斗中不同过渡阶段的细分级别关键事件。在CrEOS中，如前所述，我们假设在识别阶段转换中的关键事件之前给出消费者阶段为了分配阶段，我们使用所有消费者的估计转换概率的分布来计算三个不同分位数的相应分位数值- 50%（意识），75%（兴趣），96%（欲望）和购买。这里的假设是，每个阶段中接近一半的用户进入下一个阶段。根据相应的购买概率，消费者会话中的每个事件随后被分配一个客户阶段-意识-（0 - 50%分位数）、兴趣（50 - 75%分位数）和欲望（75 - 87.5%分位数）。因此，在某个点击事件处具有小于50%的消费者的转化概率的消费者被分配意识阶段等等。在表4中，我们观察到，对于处于意识阶段的消费者，“产品搜索”、“按类别浏览”事件表明消费者进行更集中的搜索，这些事件在它们向兴趣阶段的移动中是至关重要的。 对于处于期望阶段的消费者，诸如“产品评论”、“问题”之类的事件将他们移向购买阶段，指示消费者在决定购买之前的产品特定质量评估（动作阶段）。此外，通用的登陆网页，如主页，交易页面，帐户页面阻碍过渡到下一阶段的营销漏斗.4相关工作事件流中的转换行为建模是一个活跃的研究领域.传统上，这些方法依赖于来自事件流的手工制作的特征工程[4，13]。[13]第十三话(1) PRODUct HoA rders -在一个会话期间在购物车中添加了至少五个产品的消费者。(2) OFFE r grABBE rs -在会话中至少应用一次要约的消费者。(3) CA rtA ddI tI ons-在会话中向其购物车中添加了至少三个项目的消费者通过基于频率、在访问的网页上花费的时间来构造特征，在点击流中的行为，并学习度量来计算购买者之间的相似性。[4]建立了一个可扩展的启发式，使用逻辑回归预测显示广告的转化最近，趋势已经转向部署深度学习技术来模拟消费者的在线行为。RNN具有消费类产品分部帮助在线购买妨碍在线购买产品目录产品比较，产品搜索商店老板，主页OFFE r grABBE rs产品评论商店定位器，主页，访客登录。CA rtA ddI tI ons产品比较，奖励页面，产品评论产品问题，交易页面，产品搜索.时间消费者按类别浏览，产品问题产品评论，产品搜索，与代理聊天，奖励页面342WWW表4：营销漏斗过渡的CrEOS阶段过渡帮助在线购买妨碍在线购买意识到兴趣按类别浏览，产品搜索，产品问题访客登录，主页，产品交易兴趣到欲望产品问题，产品评论，商店定位，技术支持，登录全球交易，首页，产品搜索，按类别浏览，注销渴望行动产品问题，产品评论，产品比较，商店定位，与代理商聊天按类别浏览，产品搜索，登录，帐户主页，主页已经被研究并成功地应用于预测搜索结果页面上广告的点击率[18]、点击率预测[19]、代理调查评级[15]、消费者会话中的项目推荐[8]、消费者转换预测[12，14]。两者[12，14]都采用单变量LSTM来建模转换器。 [12]通过将LSTM单元与预测的转化概率联系起来，解释了每个事件对转化倾向的贡献。[14]在LSTM中添加了一个注意力层[10]来解释转换预测。CrEOS中提出的顺序模型通过丰富具有上下文特征的事件流来改进这些研究。多变量LSTM中的注意机制仍然相对未被探索[7，17]。[17]表明，多变量LSTM中单个变量的贡献很容易通过隐藏状态的序列来区分[7]联合学习与变量相关联的网络参数和预测目标变量的时间重要性在CrEOS中，我们对学习到的多变量LSTM进行事后分析，利用经济学中的概念来识别有助于或阻碍消费者转化的关键我们通过建立一个假设检验框架，将第五章结论在这项工作中，我们提出了CrEOS，一个端到端的框架来预测消费者的转换倾向，并确定关键事件，无论是帮助或阻碍倾向在一个在线会话。 我们的方法具有以下优势，为营销人员相比，目前的学术文献。(1) 转换倾向-给定用户 这是通过使用上下文特征和最小特征工程来增强事件流来实现的。这种准确的动态转换倾向将有助于营销人员执行实时定位。(2) 关键事件识别-CrEOS使营销人员能够自动挖掘在电子商务平台上访问客户期间触发的几个事件，以识别和量化他们对转化倾向的边际贡献CrEOS还确定了营销人员感兴趣的消费者细分市场的关键事件及其在营销漏斗不同阶段之间的过渡我们讨论了营销人员可以通过考虑营销人员的多个用例从识别中引用[1] Vibhanshu Abhishek，Peter Fader，and Kartik Hosanagar. 2012.通过漏斗的媒体曝光：多阶段归因模型可参见SSRN 2158421（2012）。[2] 理查德·欧内斯特·贝尔曼和肯尼斯·L·库克。1963.微分-差分方程（1963年出版）。[3] 伦道夫·E·巴克林和卡塔琳娜·西斯梅罗。2003年。基于点击流数据的网站浏览行为模型。 Journal of Marketing Research 40，3（2003），249-267.[4] Olivier Chapelle，Eren Manavoglu和Romer Rosales。2015年。用于显示广告的简单和可扩展的响应预测。ACM Transactions on Intelligent Systems andTechnology（TIST）5，4（2015），61.[5] Min Chen，Shiwen Mao，and Yunhao Liu. 2014.大数据：一项调查。移动网络和应用19，2（2014），171[6] 阿因迪亚·高斯2017年。TAP：解锁移动经济。麻省理工学院出版社.[7] Tian Guo，Tao Lin，and Nino Antulov-Fantulin.2019年。在多变量数据上 探 索 可 解 释 的 LSTM 神 经 网 络 。 arXiv 预 印 本 arXiv ： 1905.12034（2019）。[8] Balázs Hidasi，Alexandros Karatzoglou，Linas Baltrunas，and DomonkosTikk.2015.使 用 递 归 神 经 网 络 的 基 于 会 话 的 推 荐 。 arXiv 预 印本 arXiv：1511.06939（2015）。[9] John A Howard和Jagdish N Sheth。一九六九年买方行为理论New York63（1969）.[10] Andrej Karpathy，Justin Johnson，和Li Fei-Fei。2015年。观察和了解经常性网络。arXiv预印本arXiv：1506.02078（2015）。[11] Mandy Korpusik ， Shigeyuki Sakaki ， Francine Chen ， and Yan-YingChen.2016 年。递 归 神 经 网 络 用 于 Twitter上 的 客 户 购 买 预 测 CBRec-Sys@RecSys 1673（2016），47-50.[12] 托拜厄斯·朗和马蒂亚斯·雷滕迈尔2017年。用递归神经网络理解消费者行为。推荐系统的机器学习方法研讨会。[13] Deepak Pai 、 Abhijit Sharang 、 Meghanath Macha Yadagiri 和 ShradhaAgrawal。2014.使用点击流数据建模访问相似性：一种监督方法。在Web信息系统工程国际会议。斯普林格，135-145。[14] Balaraman Ravindran等人2018年一种基于神经注意力的点击流挖掘方法ACM印度数据科学与数据管理联合国际会议论文集。ACM，118[15] AtanuR Sinha，Deepali Jain，Nikhil Sheoran，Sopan Khosla，and ReshmiSasid-haran. 2019.没有问题的调查：强化学习方法。（2019年）。[16] Shuba Srinivasan，Oliver J Rutz和Koen Pauwels。2016.购买和不购买的途径： 量 化 传统 营 销 和在 线 消 费者 活 动 的影 响 。Journal of the Academy ofMarketing Science44，4（2016），440[17] Zhang Liheng， Charu Aggarwal，and Guo-Jun Qi.2017年。 通过发现多频率交易模式进行股票价格预测。 第23届ACMSIGKDD知识发现和数据挖掘国际会议论文集。ACM，2141-2149。[18] Yuyu Zhang，Hanjun Dai，Chang Xu，Jun Feng，Taifeng Wang，JiangBian，Bin Wang，and Tie-Yan Liu.2014年。基于递归神经网络的赞助搜索顺序点击预测。在第28届AAAI人工智能会议上。[19] Guorui Zhou ， Xiaoqiang Zhu， Chenru Song， Ying Fan ，Han Zhu ，XiaoMa，Yanghui阎、金俊奇、韩立、昆盖四人。2018年用于点击率预测的深度兴趣网络 第24届ACM SIGKDD知识发现&数据挖掘国际会议论文集。ACM，1059-1068.
我的内容管理
展开
