一种用于 B2B 电子商务中的机器学习和经验贝叶斯预测购买的方法

使用机器学习和回归分类方法实现 Tmall 网站上的下一次购买预测，取得 F1Score 为 6.11 分。

提出基于深度神经网络和贝叶斯个性化排名的新方法，预测退货可能性，减少时装电子商务平台的总退货量。

通过机器学习模型和信息检索技术改进电子商务在线客户服务，减少模型开发周期和成本。

提出集成方法预测产品的类别、子类别和颜色，平均 F1 得分为 0.82，适用于电商公司的产品分类问题。

介绍先进的分析方法预测库存管理中的缺货情况，提高库存系统服务水平。

比较预测方法与提升建模方法，讨论提升建模方法的性能影响因素。

结合贝叶斯非参数回归混合模型与多个弹性网络，提取目标模型的可推广见解。

使用可解释人工智能方法预测交叉销售，阐明信息系统和可解释人工智能的相关研究意义。

结合人工智能和游戏理论的方法用于产品设计和市场研究，提供全面的顾客需求理解。

提出基于深度学习和多臂老虎机算法的动态推荐排序系统，提高商品总交易额（GMV）水平。