基于用户行为建模和预测分析的数据驱动的个性化营销策略优化:可持续的市场细分和准
1School of Economics and Management, Changchun Finance College, Changchun, Jilin, China.
PloS one
|July 24, 2025
概括
本研究介绍了DP-GCN,这是个性化推的新框架. 通过将图形卷积网络与强化学习集成,DP-GCN提高了推的准确性和适应性.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 个性化推系统面临的挑战是模拟复杂的用户-产品-查询交互.
- 现有的方法很难有效地捕捉异构的信息网络.
研究的目的:
- 提出一个新的框架,DP-GCN (确定性政策图表卷积网络),用于改进个性化的建议.
- 将多层次的图形卷积网络 (GCN) 与深度决定性政策梯度 (DDPG) 强化学习相结合.
主要方法:
- 一个基于图的嵌入模块捕获多关系结构.
- 融合层集成了动态和静态的用户和项目特征.
- 强化学习层根据用户的反自适应地更新推策略.
主要成果:
- 在基准数据和现实数据集上,DP-GCN的表现始终超过了最先进的基线.
- 在AUC,Precision@K和NDCG@K指标中观察到显著改善.
- 该模型在个性化建议中表现出更高的准确性和适应性.
结论:
- 将基于图形的关系建模与强化学习相结合,对于个性化推系统是有效的.
- 对于复杂的用户-产品-查询交互,DP-GCN提供了一个强大的解决方案.
- 该框架提高了现代营销系统的准确性和适应性.
