Tinkoff Research人工智能实验室科学家在在线零售推荐系统领域取得突破，开发出名为TAIW（时间感知项目加权）的新算法。该算法通过综合考量购买时间与频率，能更精准预测消费者网购行为，不仅帮助用户节省创建购物车的时间、提醒补货遗忘商品，还能助力企业提升客户满意度、转化率及客单价。
TAIW算法架构：“复购”与“邻里”模块
该成果已获国际认可，相关研究在第17届ACM RecSys推荐系统主会议（新加坡）上展示。作为全球最具权威的计算机社区，美国计算机协会（ACM）主办的该会议是业界顶级学术盛会。
核心发现：基于时间维度的精准预测
TAIW算法能结合具体购买时间点，准确预测客户近期需求。它不仅分析用户及相似画像用户的既往购买构成，还深入考察特定商品的购买周期及跨品类关联，使推荐更具个性化，尤其适用于非典型行为模式的客户。
例如，用户可能仅在每月第三周周六享用特定“欺骗餐”，其余时间即便曾频繁购买，系统也不应重复推荐。以往此类行为数据常被忽略，而TAIW有效解决了这一痛点。
基于阿里巴巴淘宝数据集的真实实验显示，TAIW在下一篮推荐（NBR）任务中表现最优，能根据商品特定时刻相关性精准排序，将推荐系统准确性提升8%。这意味着用户能获得更个性化的建议，减少库存管理与选品耗时，系统亦能在恰当时机提示补货。
技术差异：双模块协同机制
传统电商推荐常采用马尔可夫链或循环神经网络预测复购，但难以精准捕捉因商品和用户而异的购买频率（如衣物柔顺剂有人三周一买，有人半年一买）。TAIW则由两大模块组成：
- “复购”模块：基于霍克斯过程（Hawkes process）统计模型，揭示事件间的时间规律与依赖关系，通过分析历史购买频次及末次购买时间，确定商品对买家的最佳推荐时机。
- “邻近性”模块：描述相似偏好用户的购物习惯，为特定用户提供更多样化推荐。
行业背景：推荐系统成竞争关键
自疫情以来，全球在线零售加速增长。eMarketer数据显示，2023年全球电商规模近6万亿美元，预计2027年突破8万亿美元。市场竞争日趋激烈，平台巨头与独立卖家（亚马逊超60%销售额由后者贡献）并存，商品SKU达数十亿级。
面对海量选择，用户决策难度增加，卖家获客留客成本上升。推荐算法已成为个性化助手与核心竞争力，尤其在解决“下一篮推荐”（NBR）问题上，能有效预测用户下次购物车组合，节省搜索时间并提升转化效率。