ترجمه فارسی مقاله شبیه‌سازی تراکنش‌های مصرف‌کننده از طریق شبکه‌های مولد تخاصمی

چکیده

In the rapidly evolving domain of large-scale retail data systems, envisioning and simulating future consumer transactions has become a crucial area of interest. It offers significant potential to fortify demand forecasting and fine-tune inventory management. This paper presents an innovative application of Generative Adversarial Networks (GANs) to generate synthetic retail transaction data, specifically focusing on a novel system architecture that combines consumer behavior modeling with stock-keeping unit (SKU) availability constraints to address real-world assortment optimization challenges. We diverge from conventional methodologies by integrating SKU data into our GAN architecture and using more sophisticated embedding methods (e.g., hyper-graphs). This design choice enables our system to generate not only simulated consumer purchase behaviors but also reflects the dynamic interplay between consumer behavior and SKU availability — an aspect often overlooked, among others, because of data scarcity in legacy retail simulation models. Our GAN model generates transactions under stock constraints, pioneering a resourceful experimental system with practical implications for real-world retail operation and strategy. Preliminary results demonstrate enhanced realism in simulated transactions measured by comparing generated items with real ones using methods employed earlier in related studies. This underscores the potential for more accurate predictive modeling.

چکیده به فارسی (ترجمه ماشینی)

در حوزه در حال تحول سریع سیستم های داده های خرده فروشی در مقیاس بزرگ ، پیش بینی و شبیه سازی معاملات آینده مصرف کننده به یک منطقه مهم مورد علاقه تبدیل شده است.این پتانسیل قابل توجهی برای تقویت پیش بینی تقاضا و مدیریت موجودی تنظیم دقیق دارد.در این مقاله یک کاربرد ابتکاری از شبکه های مخالف مولد (GAN) برای تولید داده های معامله خرده فروشی مصنوعی ، به طور خاص با تمرکز بر یک معماری سیستم جدید که ترکیب مدل سازی رفتار مصرف کننده با واحد نگه داشتن سهام (SKU) برای پرداختن به چالش های بهینه سازی مجموعه های واقعی در دنیای واقعی ارائه شده است.بشرما با ادغام داده های SKU در معماری GAN و استفاده از روشهای تعبیه شده پیچیده تر (به عنوان مثال ، بیش از حد) از روشهای متعارف جدا می شویم.این انتخاب طراحی ، سیستم ما را قادر می سازد نه تنها رفتارهای خرید مصرف کننده را شبیه سازی کند بلکه نشان دهنده تعامل پویا بین رفتار مصرف کننده و در دسترس بودن SKU است – جنبه ای که اغلب به دلیل کمبود داده ها در مدلهای شبیه سازی خرده فروشی میراث نادیده گرفته می شود.مدل GAN ما معاملات را تحت محدودیت سهام ایجاد می کند ، پیشگام یک سیستم آزمایشی منابع با پیامدهای عملی برای عملکرد و استراتژی خرده فروشی در دنیای واقعی است.نتایج اولیه نشان دهنده رئالیسم پیشرفته در معاملات شبیه سازی شده با مقایسه موارد تولید شده با موارد واقعی با استفاده از روشهای استفاده شده در ابتدا در مطالعات مرتبط است.این پتانسیل را برای مدل سازی پیش بینی دقیق تر تأکید می کند.