【應用】預測新產品上市后的基於時間的銷售數據
【領域】Neural networks； RNNs; Encoder-Decoder;
【文章要點】
1. 使用歷史數據進行訓練，預測一個新產品上市后的銷售情況
2. 數據：產品圖像數據I+產品屬性數據x（如 design attributes such as color, pattern, sleeve style etc. or merchandising attributes
such as list price, promotion etc.）
3. 問題定義：銷售數據：
輸入數據：
需要求取的是：
同時，還需要考慮一些外部因素，如周末，節日，重大節日，促銷等， 外部的因素表示為
綜上，求取的是
4. 系統整體示意：
5. 傳統方法：使用KNN。即將新產品與歷史產品做比對，得到最為相似的K個舊產品，使用舊產品的歷史數據集成並做響應的預測
1) Attribute KNN. 使用商品屬性的距離，求取緊鄰，使用距離作為權重的參考，將k個商品的歷史銷售數據集成。θ為距離相關的數據
2) Embedding KNN. 等不能直接量化的特征embedding，embedding后再求K個緊鄰，隨后同上。Φ為求embedding
6. 基於Encoder-Decoder的時間序列模型。探索了多個模型
1）Sequence learning with encoded image input (Image RNN)
Encoder模塊為給定的輸入圖像計算一個緊湊的嵌入，並將其與時間特征合並，然后再把encoder生成的數據輸入到RNN decoder
2） Sequence learning with encoded multi-modal inputs.
(Multi-modal RNN)
與1）不同的是，將屬性標簽做了embedding，一起加進去網絡中
3） Explainable sequence learning with attended multi-modal inputs.
(Cross-Attention RNN)
加入可解釋性的部分？使用Cross-Attention
6. 實驗結果
7. 可解釋性的結果
