Personalized Product Assortment with Real-time 3D Perception and Bayesian Payoff Estimation

产品组合选择是实体零售商面临的一个关键挑战。有效地将库存与购物者的偏好相匹配可以增加销售并减少缺货。然而，在实际的环境中，由于产品组合可能性的组合爆炸，这个问题具有挑战性。消费者的偏好通常在空间和时间上是异质的，使得库存偏好的对齐具有挑战性。此外，现有的策略依赖于聚合的数据，这些数据往往是聚合的、低分辨率的，并且存在高延迟。为了解决这些挑战，我们引入了一个实时推荐系统，我们称之为 \ours。我们的系统利用了3D计算机视觉的最新进展进行感知和自动细粒度销售估计。这些感知组件在网络的边缘运行，促进了实时奖励信号。此外，我们开发了一个贝叶斯回报模型，以解决来自3D LIDAR数据的噪声估计。我们依靠空间聚类来使系统适应异质的消费者偏好，并使用基于图的候选生成算法来解决组合搜索问题。我们在两个真实的商店中进行了两次6-8周的A/B测试，测试的产品是饮料，并分别展示了35%和27%的销售增长。最后，我们对部署的系统进行了28周的观察性研究，显示出销售增长了9.4%。

如何实现实时的商品推荐系统，以满足消费者的偏好和增加销售量？

使用3D计算机视觉技术进行感知和自动销售估计，利用贝叶斯回报模型处理嘈杂的3D LIDAR数据，采用空间聚类和基于图的候选生成算法适应消费者偏好和解决组合搜索问题。

论文在真实商店中进行了两个6-8周的A/B测试，使用饮料产品，在销售方面分别实现了35％和27％的增长，并进行了28周的观察研究，销售额增长了9.4％。

近期相关研究包括《基于深度学习的实时商品推荐系统》、《利用机器学习进行商品推荐的综述》等。