Model-Based Co-Clustering in Customer Targeting Utilizing Large-Scale Online Product Rating Networks
利用大规模在线产品评分网络进行客户定位的模型式协同聚类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用客户与产品构成的加权二部网络及协同聚类，直接支持网络方法分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用大规模在线产品评分网络进行客户定位的模型式协同聚类
- 研究问题
- 面对在线产品评分的大量缺失，如何同时聚类客户与产品、预测个体评分，并形成具有解释性的客户定位分组？
- 方法与思路
- 作者将有序评分表示为加权二部网络，在模型式协同聚类中纳入协变量，并设计变分 EM 算法进行估计。
- 材料陈述的贡献
- 摘要称，方法将协变量与有序评分纳入网络协同聚类，模拟显示其可扩展性，真实应用得到可解释分组和较好的预测表现。
- 阅读关注点
- 应核对评分缺失如何进入模型、客户与产品分组如何识别，以及变分估计、聚类精度和预测性能的评估方式。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断缺失机制假设、具体预测增益或客户定位的因果效果，也不能推断版本变化。
原文摘要
Given the widely available online customer ratings on products, the individual-level rating prediction and clustering of customers and products are increasingly important for sellers to create targeting strategies for expanding the customer base and improving product ratings.However, the massive missing data problem is a significant challenge for modeling online product ratings.To address this issue, we propose a new co-clustering methodology based on a bipartite network modeling of large-scale ordinal product ratings.Our method extends existing co-clustering methods by incorporating covariates and ordinal ratings in the model-based co-clustering of a weighted bipartite network.We devise an efficient variational EM algorithm for model estimation.A simulation study demonstrates that our methodology is scalable for modeling large datasets and provides accurate estimation and clustering results.We further show that our model can successfully identify different groups of customers and products with meaningful interpretations and achieve promising predictive performance in a real application for customer targeting.