【领域】Neural networks; RNNs; Encoder-Decoder;【文章要点】1. 使用历史数据进行训练,预测一个新产品上市后的销售情况2. 数据:产品图像数据I+产品属性数据x(如 design attributes such as color, pattern, sleeve style etc. or merchandising attributes such as list price, promotion etc.)3. 问题定义:销售数据: 输入数据: 需要求取的是: 同时,还需要考虑一些外部因素,如周末,节日,重大节日,促销等, 外部的因素表示为 综上,求取的是4. 系统整体示意:5. 传统方法:使用KNN。即将新产品与历史产品做比对,得到最为相似的K个旧产品,使用旧产品的历史数据集成并做响应的预测 1) Attribute KNN. 使用商品属性的距离,求取紧邻,使用距离作为权重的参考,将k个商品的历史销售数据集成。θ为距离相关的数据 2) Embedding KNN. 等不能直接量化的特征embedding,embedding后再求K个紧邻,随后同上。Φ为求embedding6. 基于Encoder-Decoder的时间序列模型。探索了多个模型 1)Sequence learning with encoded image input (Image RNN) Encoder模块为给定的输入图像计算一个紧凑的嵌入,并将其与时间特征合并,然后再把encoder生成的数据输入到RNN decoder 2) Sequence learning with encoded multi-modal inputs.(Multi-modal RNN) 与1)不同的是,将属性标签做了embedding,一起加进去网络中 3) Explainable sequence learning with attended multi-modal inputs.(Cross-Attention RNN) 加入可解释性的部分?使用Cross-Attention
6. 实验结果
7. 可解释性的结果