PyPARC

B2B电子商务交易预测框架通过DiCE和PyPARC提高精度

一篇新论文介绍了一个用于预测B2B电子商务中交易倾向的框架，解决了传统方法（如SMOTE）难以应对的异构买家行为带来的挑战。所提出的方法利用多样化反事实解释（DiCE）生成合成数据，提高了比SMOTE更好的分布保真度。此外，它还采用了PyPARC框架进行校准的倾向概率，从而能够将客户细分为风险等级。该架构在一个大型B2B电子商务平台上进行评估，在0.8的决策阈值下达到了93.1%的精度，显著优于基于SMOTE的基线。