論文の概要: Multi-Purchase Behavior: Modeling and Optimization
- arxiv url: http://arxiv.org/abs/2006.08055v1
- Date: Sun, 14 Jun 2020 23:47:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 13:32:03.051054
- Title: Multi-Purchase Behavior: Modeling and Optimization
- Title（参考訳）: マルチ購入行動:モデリングと最適化
- Authors: Theja Tulabandhula, Deeksha Sinha, Prasoon Patidar
- Abstract要約: 本稿では,BundleMVL-Kファミリーと呼ばれる,同種の選択モデルのマルチ購入ファミリを提案する。
このモデルに対して最適化されたレコメンデーションを効率的に計算するバイナリ検索に基づく反復戦略を開発する。
複数の購入行動のモデリングと収益の獲得との間には,最初の定量的な関連性を示す。
- 参考スコア（独自算出の注目度）: 1.0200170217746136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of modeling purchase of multiple items and utilizing it
to display optimized recommendations, which is a central problem for online
e-commerce platforms. Rich personalized modeling of users and fast computation
of optimal products to display given these models can lead to significantly
higher revenues and simultaneously enhance the end user experience. We present
a parsimonious multi-purchase family of choice models called the BundleMVL-K
family, and develop a binary search based iterative strategy that efficiently
computes optimized recommendations for this model. This is one of the first
attempts at operationalizing multi-purchase class of choice models. We
characterize structural properties of the optimal solution, which allow one to
decide if a product is part of the optimal assortment in constant time,
reducing the size of the instance that needs to be solved computationally. We
also establish the hardness of computing optimal recommendation sets. We show
one of the first quantitative links between modeling multiple purchase behavior
and revenue gains. The efficacy of our modeling and optimization techniques
compared to competing solutions is shown using several real world datasets on
multiple metrics such as model fitness, expected revenue gains and run-time
reductions. The benefit of taking multiple purchases into account is observed
to be $6-8\%$ in relative terms for the Ta Feng and UCI shopping datasets when
compared to the MNL model for instances with $\sim 1500$ products.
Additionally, across $8$ real world datasets, the test log-likelihood fits of
our models are on average $17\%$ better in relative terms. The simplicity of
our models and the iterative nature of our optimization technique allows
practitioners meet stringent computational constraints while increasing their
revenues in practical recommendation applications at scale.
- Abstract（参考訳）: 本稿では,複数の商品の購入をモデル化し,最適化したレコメンデーションを表示する問題について検討する。
ユーザをパーソナライズしたモデリングと、これらのモデルから得られる最適な製品の高速な計算により、収益が大幅に増加し、エンドユーザーエクスペリエンスが向上する。
本稿では,BundleMVL-Kファミリと呼ばれる類似のマルチ購入モデル群を提案し,このモデルに対して最適化されたレコメンデーションを効率的に計算する二分探索に基づく反復戦略を開発する。
これは、選択モデルのマルチ購入クラスを運用する最初の試みの1つである。
最適解の構造的特性を特徴付け、ある積が定数時間における最適分解の一部であるかどうかを決定できるようにし、計算的に解く必要があるインスタンスのサイズを小さくする。
また,最適レコメンデーションセットの計算の難しさも確立する。
複数の購入行動のモデリングと収益の獲得との間には,最初の定量的な関連性を示す。
モデル適合性, 予測収益率, 実行時間短縮など, 実世界の複数のデータセットを用いて, 競合するソリューションと比較して, モデリングおよび最適化手法の有効性を示す。
複数の購入を考慮に入れる利点は、$\sim 1500$のインスタンスのmnlモデルと比較すると、ta fengとutiショッピングデータセットの相対的な観点で6-8-%$である。
さらに、実世界のデータセット8ドルで、我々のモデルのテストログのような適合性は、相対的な観点から平均117\%以上向上しています。
モデルの単純さと最適化手法の反復的な性質により、実践者は厳しい計算制約を満たしながら、大規模に実用的な推奨アプリケーションで収益を上げられる。
関連論文リスト
- A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。
ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。
当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文 参考訳（メタデータ） (2024-11-20T20:38:56Z) - $f$-PO: Generalizing Preference Optimization with $f$-divergence Minimization [91.43730624072226]
$f$-POは、既存のアプローチを一般化し拡張する新しいフレームワークである。
ベンチマークデータセットを用いて最先端言語モデルの実験を行う。
論文 参考訳（メタデータ） (2024-10-29T02:11:45Z) - Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。
本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。
特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
論文 参考訳（メタデータ） (2024-06-14T07:16:18Z) - MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
Amortized Pareto Front (MAP) を用いた新しい低演算アルゴリズム Model Merging を導入する。
MAPは、複数のモデルをマージするためのスケーリング係数のセットを効率的に識別し、関連するトレードオフを反映する。
また,タスク数が比較的少ないシナリオではベイジアンMAP,タスク数の多い状況ではNested MAPを導入し,計算コストを削減した。
論文 参考訳（メタデータ） (2024-06-11T17:55:25Z) - Modeling Choice via Self-Attention [8.394221523847325]
注意に基づく選択モデルはHalo Multinomial Logit(Halo-MNL)モデルの低最適一般化であることを示す。
また、実データから選択を推定するための最初の現実的な尺度を確立し、既存のモデルの評価を行う。
論文 参考訳（メタデータ） (2023-11-11T11:13:07Z) - UniMatch: A Unified User-Item Matching Framework for the Multi-purpose
Merchant Marketing [27.459774494479227]
1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
論文 参考訳（メタデータ） (2023-07-19T13:49:35Z) - Action-State Dependent Dynamic Model Selection [6.5268245109828005]
強化学習アルゴリズムはデータから動的プログラミング問題に対する最適解を近似して推定するために用いられる。
典型的な例として、リバランスコストの下で異なるポートフォリオモデルを切り替える方法があります。
マクロ経済変数のセットと価格データを用いて、実証的なアプリケーションでは、後見で最高のポートフォリオモデルを選択するよりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-07-07T09:23:14Z) - On Optimal Caching and Model Multiplexing for Large Model Inference [66.50550915522551]
大きな言語モデル(LLM)や他の大きな基盤モデルは注目すべき成功を収めているが、そのサイズは既存のリソース消費とレイテンシーの問題を悪化させている。
キャッシュを用いて以前のクエリを格納し、モデルの多重化を学習し、クエリ処理のためのモデルの集合から選択する。
論文 参考訳（メタデータ） (2023-06-03T05:01:51Z) - PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。
我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。
概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文 参考訳（メタデータ） (2021-05-04T15:23:59Z) - Personalizing Performance Regression Models to Black-Box Optimization
Problems [0.755972004983746]
本研究では,数値最適化問題に対するパーソナライズされた回帰手法を提案する。
また、問題毎に1つの回帰モデルを選択するのではなく、パーソナライズされたアンサンブルを選択することの影響についても検討する。
本稿では,BBOBベンチマークコレクション上での数値最適化性能の予測について検討する。
論文 参考訳（メタデータ） (2021-04-22T11:47:47Z) - Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural
Network [0.0]
消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。
Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
論文 参考訳（メタデータ） (2020-10-14T11:00:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。