Авторы:  (1) П. Адитья Шрикар, Amazon и эти авторы внесли равный вклад в эту работу {sreekarp@amazon.com};  (2) Сахил Верм, Amazon и эти авторы внесли равный вклад в эту работу {vrsahil@amazon.com;}  (3) Варун Мадхаван, Индийский технологический институт, Харагпур. Работа, выполненная во время стажировки в Amazon {varunmadhavan@iitkgp.ac.in};  (4) Абхишек Персад, Amazon {persadap@amazon.com}.  Таблица ссылок   Аннотация и введение   Сопутствующие работы   Методология   Эксперимент   Заключение и будущая работа   Рекомендации  Абстрактный  Amazon ежегодно отправляет миллиарды посылок своим клиентам на территории США. Стоимость доставки этих посылок используется в день отправки (день 0) для оценки рентабельности продаж. Системы переработки и переработки используют в настоящее время нулевые оценки рентабельности для принятия финансовых решений, таких как стратегии ценообразования и исключение из списков убыточных продуктов. Однако получить точную оценку стоимости доставки в нулевой день сложно по таким причинам, как задержка в выставлении счетов-фактур перевозчиком или фиксированные компоненты затрат, регистрируемые ежемесячно. Неточная оценка стоимости доставки может привести к принятию неверных решений, например, к слишком низкой или высокой цене на товары или к продвижению покупателями не того продукта. Текущие решения для оценки стоимости доставки в нулевой день основаны на древовидных моделях, которые требуют значительных усилий по ручному проектированию. В этом исследовании мы предлагаем новую архитектуру под названием «Трансформатор тарифных карт» (RCT), которая использует самообслуживание для кодирования всей информации о доставке посылки, такой как атрибуты посылки, информация о перевозчике и план маршрута. В отличие от других табличных моделей на основе преобразователей, RCT имеет возможность кодировать список переменных отношений один-ко-многим для груза, что позволяет ему собирать больше информации об отправке. Например, RCT может кодировать свойства всех продуктов в упаковке. Наши результаты показывают, что прогнозы затрат, сделанные с помощью RCT, имеют на 28,82% меньшую ошибку по сравнению с древовидной моделью GBDT. Более того, RCT превосходит современную табличную модель на основе трансформатора FTTransformer на 6,08%. Мы также показываем, что RCT изучает обобщенное множество прейскурантов, что может повысить производительность древовидных моделей.  1. Введение  Amazon ежегодно отправляет своим клиентам в одних только США посылки на сумму порядка миллиардов. Планирование маршрута для этих посылок выполняется в день отправки, день 0. В рамках этого плана стоимость доставки каждой посылки оценивается путем разбиения пути следования посылки на более мелкие этапы и расчета стоимости каждого этапа с использованием тарифная карта. Оценки дневных затрат используются для расчета первоначальных оценок рентабельности для целей бухгалтерского учета, например, оценки прибыли/убытка для каждого товара в результате конкретной продажи покупателю. Эти оценки рентабельности используются несколькими последующими службами для принятия решений и планирования.  Однако оценки на день 0 могут отличаться от фактических затрат из-за таких факторов, как неправильная конфигурация прейскуранта, неправильные размеры упаковки, неправильный адрес доставки и т. д. Неточные оценки затрат приводят к искажению оценок рентабельности, что, в свою очередь, приводит к неоптимальным финансовым решениям нижестоящих компаний. системы. Например, если стоимость доставки товара постоянно завышена, товар может быть удален из каталога. С другой стороны, заниженная стоимость может привести к тому, что системы ценообразования занизят цену товара, что приведет к убыткам. Кроме того, неточная оценка также приводит к тому, что мы продвигаем покупателю неправильные продукты, что приводит к ухудшению качества обслуживания клиентов. Чтобы улучшить эти оценки стоимости доставки, мы предлагаем модель глубокого обучения на основе Transformer, которая точно прогнозирует стоимость доставки в нулевой день.  В контексте доставки посылка характеризуется ее физическими размерами, весом и содержимым. Он также включает сведения об перевозчике, ответственном за его транспортировку, и предполагаемом маршруте. Кроме того, посылка связана с переменным количеством атрибутов, описывающих находящийся внутри предмет(ы) и различные расходы, связанные с его доставкой. В совокупности мы называем эти атрибуты прейскурантом, связанным с пакетом. Для табличных наборов данных, таких как прейскуранты пакетов, древовидные модели, такие как деревья решений с градиентным усилением (GBDT), XGBoost (Chen and Guestrin, 2016) и т. д., считаются современными моделями (SOTA). Однако их эффективность во многом зависит от высококачественных входных функций (Arik et al., 2019), которые могут потребовать тщательной разработки функций. В нашем случае эта проблема еще больше усугубляется тем фактом, что целевая концепция зависит от комбинаторных взаимодействий высокого порядка между атрибутами прейскуранта. Например, если прейскурант неправильно настроен для больших контейнеров с легковоспламеняющимися веществами, отправляемых из Вашингтона, округ Колумбия, в Нью-Йорк перевозчиком ABC, тогда модель должна научиться связывать комбинацию свойств < размер = большой, предмет = легковоспламеняющийся, источник = Вашингтон. , пункт назначения = Нью-Йорк, перевозчик = ABC > с высоким отклонением между расчетными и фактическими затратами. При работе с комбинациями функций учет всех возможных взаимодействий более высокого порядка между свойствами пакета может быть непрактичным из-за экспоненциального увеличения количества взаимодействий с каждым увеличением порядка, что приводит к проклятию размерности (Bishop, 2006). Еще одним недостатком древовидных моделей является их неспособность обрабатывать список функций переменной длины. Посылка может содержать несколько предметов, а ее стоимость доставки может быть разбита на несколько типов сборов. Предыдущие эксперименты показали, что добавление функций, созданных на основе нескольких элементов и зарядов, улучшило производительность GBDT. Однако из-за неспособности древовидных моделей обрабатывать переменный список функций, полную информацию из них получить невозможно.  В этой статье, вдохновленной недавним успехом преобразователей в табличной области (Huang et al., 2020; Somepalli et al., 2021; Gorishniy et al., 2021), мы предлагаем новую архитектуру, называемую преобразователем тарифных карт (RCT). для прогнозирования стоимости доставки в день 0. Предлагаемая модель специально разработана для изучения встраивания прейскуранта, связанного с пакетом. RCT использует механизмы самообслуживания для эффективного выявления взаимозависимостей между различными компонентами прейскуранта путем изучения взаимодействия между входными функциями. В частности, наш вклад в эту работу включает в себя:  • Предложить новую архитектуру, преобразователь прейскурантов (RCT), которая использует архитектуру преобразователя для изучения множества прейскурантов и прогнозирования стоимости доставки в нулевой день. Кроме того, показано, что RCT превосходит как GBDT, так и современные технологии. арт-табличный преобразователь FT-Transformer (Горишный и др., 2021) в прогнозировании стоимости доставки.  • Проводятся обширные эксперименты, чтобы показать, что изученные внедрения являются достаточным представлением многообразия прейскурантов, а уровни самообслуживания являются эффективными обучающимися взаимодействиями функций. Исследования абляции проводятся для анализа влияния количества слоев преобразователя и головок внимания на производительность модели.  Этот документ   под лицензией CC BY-NC-ND 4.0 DEED. доступен на arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Publications in convolution, driving breakthroughs in signal processing and artificial intelligence.

Convolution's blog

Этот звук создан на языке оригинала истории!

Слишком долго; Читать

Boost your HackerNoon story @ $159.99! 🚀

Раскрытие силы самовнимания для прогнозирования стоимости доставки: Краткое содержание и введение

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Нажмите, чтобы заработать: Telegram может привлечь следующие 10 миллиардов пользователей криптовалюты до Соланы

Краткое введение в теорию мозга Больцмана

Утечка информации о системе Claude Sonnet 3.5: судебно-медицинский анализ

Хотите выиграть конкурс HackerNoon? Вот что рекомендуют победители конкурса #crypto-api

Нажмите, чтобы заработать: Telegram может привлечь следующие 10 миллиардов пользователей криптовалюты до Соланы

Краткое введение в теорию мозга Больцмана

Утечка информации о системе Claude Sonnet 3.5: судебно-медицинский анализ

Хотите выиграть конкурс HackerNoon? Вот что рекомендуют победители конкурса #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps