基于注意力机制的可解释深度购买预测网络在合成客户数据集上的性能评估与局限性分析

《Computers》：Explainable AI for Market Research Analytics: Attention-Based Deep Learning Framework for Consumer Purchase Behavior Prediction with Shapley Additive Explanations

　　

摘要

预测客户是否会购买有助于电子商务中的目标定位和客户分群，但准确的模型往往是"黑箱"。本研究评估了一种用于表格型客户数据的紧凑型基于注意力的网络，能否在提供一致特征级解释的同时匹配强大基线模型的性能。我们提出了可解释深度购买预测网络（EDPP-Net），该网络结合了类别嵌入、密集层、批归一化、Dropout 和逐特征注意力机制，并采用 Shapley 值进行事后解释。实验使用了一个包含 500,000 名客户的公开合成数据集，进行了五次重复分层划分，对所有模型进行了基于验证集的调参，并采用了自举置信区间和配对检验。EDPP-Net 的准确率达到 92.73 ± 0.09%，ROC 曲线下面积为 0.9815 ± 0.0002，在调参前后均与逻辑回归和梯度提升模型在统计上无显著差异；批归一化和注意力机制未带来可测量的增益。置换重要性和 Shapley 重要性结果一致，识别出购买时效性（即距上次购买的时间）为最主要的预测因子，按预测概率对客户排序后，69.7% 的购买者位于前 30% 区间。然而，诊断分析显示，几乎所有预测信号都来自这一个变量，且该变量与标签之间的关系很可能是模拟过程中的产物。因此，本研究的结果仅描述了该基准上的可解释模型表现，不应推广到真实消费者群体。