Étude comparative d'algorithmes d'apprentissage profond pour la prédiction de futures courses d'épicerie
Bibliographic record
Abstract
Faire ses courses est une activité quotidienne pouvant engendrer un stress chez les utilisateurs. Par exemple au Canada, les détaillants proposent aux utilisateurs chaque semaine un éventail de produits en promotion. D’un autre côté, un grand nombre de personnes utilisent des plate-formes en ligne pour effectuer des achats ou du moins avoir une idée des produits, de leurs prix et des potentielles promotions appliquées. CircuitPromo est une plate-forme en ligne recensant les différentes promotions disponibles dans les différentes enseignes d’épicerie au Canada. Nous avons utilisé les données publiques de cette plate-forme et des profils d’utilisateurs suggérés par Statistique Canada afin d’augmenter les données publiques de la compétition Instacart de Kaggle. Ceci a été fait dans le but d’entraîner des algorithmes d’apprentissage profond et de prédire si un produit donné sera acheté ou non par un consommateur. Le but de notre recherche est d’effectuer une étude comparative de différents modèles d’apprentissage profond, notamment un perceptron multicouche (MLP) et un réseau de neurones à convolution (CNN) afin de déterminer quel modèle serait le plus adéquat dans notre contexte. Les résultats obtenus sont encourageants. La valeur de la statistique F-mesure pour nos prédictions varie entre 0,87209 et 0,9797. Dans nos expériences, les meilleurs résultats ont été obtenus par les réseaux de neurones à convolution (CNN). _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Apprentissage profond, Classification, Réseaux de neurones, Réseaux de neurones à convolution, Perceptron multicouche.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.016 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".