【KDD2020论文阅读总结】预测新产品上市后的基于时间的销售数据（IBM)(基于注意力机制的多模态模型)
【应用】预测新产品上市后的基于时间的销售数据
【领域】Neural networks； RNNs; Encoder-Decoder;
【文章要点】
1. 使用历史数据进行训练，预测一个新产品上市后的销售情况
2. 数据：产品图像数据I+产品属性数据x（如 design attributes such as color, pattern, sleeve style etc. or merchandising attributes such as list price, promotion etc.）
3. 问题定义：销售数据：
输入数据：
需要求取的是：
同时，还需要考虑一些外部因素，如周末，节日，重大节日，促销等， 外部的因素表示为
综上，求取的是
4. 系统整体示意：
5. 传统方法：使用KNN。即将新产品与历史产品做比对，得到最为相似的K个旧产品，使用旧产品的历史数据集成并做响应的预测
1) Attribute KNN. 使用商品属性的距离，求取紧邻，使用距离作为权重的参考，将k个商品的历史销售数据集成。θ为距离相关的数据
2) Embedding KNN. 等不能直接量化的特征embedding，embedding后再求K个紧邻，随后同上。Φ为求embedding
6. 基于Encoder-Decoder的时间序列模型。探索了多个模型
1）Sequence learning with encoded image input (Image RNN)
Encoder模块为给定的输入图像计算一个紧凑的嵌入，并将其与时间特征合并，然后再把encoder生成的数据输入到RNN decoder
2） Sequence learning with encoded multi-modal inputs.(Multi-modal RNN)
与1）不同的是，将属性标签做了embedding，一起加进去网络中
3） Explainable sequence learning with attended multi-modal inputs.(Cross-Attention RNN)
加入可解释性的部分？使用Cross-Attention
6. 实验结果
7. 可解释性的结果
