Embedded topic models for soft customer segmentation

แบบจำลองหัวข้อแบบฝังตัวสำหรับการแบ่งส่วนลูกค้าแบบอ่อน

Name: Jutiyakhun Srisoparp

LCSH: Matrices.

LCSH: Consumers

LCSH: Stores, Retail

LCSH: Product coding

Abstract: Customer segmentation is the process of dividing customers into different groups in order to identify their shared characteristics and values. However, in some industries, each customer can belong to multiple groups, especially in home-retailers can have a customer who members in many groups simultaneously. The contribution in this direction is three-fold: i) to propose probabilistic topic models for soft-customer segmentation, where each customer is categorized into multiple groups based on their purchased items. ii) to propose encoding the items as vectors using a nonnegative matrix factorization on binarized data (biNMF) in order to capture their contextual relationships. This is different from previous studies where bag-of-words or Word2Vec has been used. iii) employing this model on a real home retailer dataset for customer segmentation, and the results show that the model has the highest topic quality and comparable data-fitting performance compared to other topic models and other encoding methods. On a downstream task such as item recommendation, our model is able to achieve the highest average probabilistic precision value on top-20 product (Probabilistic Precision@20) among all the models whose segmented topics are reasonably diverse.

Abstract: การแบ่งส่วนลูกค้าเป็นกระบวนการแบ่งลูกค้าออกเป็นหลายกลุ่มที่แตกต่างกัน เพื่อระบุลักษณะที่โดดเด่นของลูกค้าแต่ละกลุ่ม อย่างไรก็ตาม ในบางอุตสาหกรรม ลูกค้าคนหนึ่งอาจเป็นสมาชิกในหลายกลุ่มได้พร้อมกัน โดยเฉพาะในธุรกิจค้าปลีกสินค้าที่เกี่ยวกับบ้าน การแบ่งลูกค้าตามประเภทสินค้าที่ซื้อ อาจทำให้ลูกค้าบางคนเป็นสมาชิกหลายกลุ่มในเวลาเดียวกัน ดังนั้นผู้วิจัยจึงได้เสนอแนวทางแก้ปัญหาซึ่งแบ่งออกเป็นสามส่วนที่สำคัญ ได้แก่ i) การใช้ตัวแบบหัวข้อแบบเชิงความน่าจะเป็น (Probabilistic Topic Models) สำหรับการแบ่งกลุ่มลูกค้าแบบอ่อน (Soft-Customer Segmentation) โดยที่ลูกค้าแต่ละคนจะถูกจัดอยู่ในหลายกลุ่มตามสินค้าที่พวกเขาซื้อ ii) การเข้ารหัสสินค้าด้วยวิธีแยกเมทริกซ์ที่ไม่ติดลบบนข้อมูลที่ผ่านการไบนาไรซ์ (Nonnegative Matrix Factorization on Binarized Data, biNMF) เพื่อจับความสัมพันธ์ทางบริบทของสินค้าที่ดีกว่า ซึ่งต่างจากการศึกษาในอดีตที่ใช้ Bag-Of-Words หรือ Word2Vec iii) การใช้ตัวแบบดังกล่าวบนชุดข้อมูลจริงของร้านค้าปลีกสินค้าที่เกี่ยวข้องกับบ้านเพื่อแบ่งกลุ่มลูกค้าและสร้างระบบแนะนำสินค้า ผลลัพธ์แสดงว่าโมเดลของเรามีประสิทธิภาพในด้านของตัวแบบหัวข้อสูงที่สุดและสามารถปรับเข้ากับข้อมูลชุดอื่นเทียบเท่ากับตัวแบบอื่นๆ ท้ายที่สุด เรานำวิธีการนี้ไปใช้ในการแนะนำสินค้า ซึ่งพบว่าตัวแบบของเราให้ค่าเฉลี่ยคะแนนความแม่นยำเชิงความน่าจะเป็นบนสินค้า 20 รายการแรก (Probabilistic Precision@20) ที่สูงและหัวข้อที่ถูกแบ่งกลุ่มมีความหลากหลายอย่างสมเหตุสมผล

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Donlapark Ponnoprat

Role: Advisor

Created: 2568

Modified: 2025-06-10

Issued: 2025-06-10

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Applied Statistics and Analytic

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	660531027.pdf	1.42 MB

ใช้เวลา

0.019977 วินาที