論文の概要: OMBA: User-Guided Product Representations for Online Market Basket
Analysis
- arxiv url: http://arxiv.org/abs/2006.10396v2
- Date: Tue, 16 Feb 2021 13:59:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 12:39:39.755064
- Title: OMBA: User-Guided Product Representations for Online Market Basket
Analysis
- Title(参考訳): OMBA:オンライン市場バスケット分析のためのユーザガイド型製品表現
- Authors: Amila Silva, Ling Luo, Shanika Karunasekera, Christopher Leckie
- Abstract要約: Market Basket Analysis (MBA)は、製品間の関連を識別する一般的な手法である。
オンライン・マーケット・バスケ・アナリティクスのための新しい表現学習手法であるOMBAを提案する。
OMBAはプロダクト・ツー・プロダクト・アソシエーションとユーザ・ツー・プロダクト・アソシエーションの時間的ダイナミクスを保存するために、製品とユーザのための表現を共同で学習する。
- 参考スコア(独自算出の注目度): 19.22829945777267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Market Basket Analysis (MBA) is a popular technique to identify associations
between products, which is crucial for business decision making. Previous
studies typically adopt conventional frequent itemset mining algorithms to
perform MBA. However, they generally fail to uncover rarely occurring
associations among the products at their most granular level. Also, they have
limited ability to capture temporal dynamics in associations between products.
Hence, we propose OMBA, a novel representation learning technique for Online
Market Basket Analysis. OMBA jointly learns representations for products and
users such that they preserve the temporal dynamics of product-to-product and
user-to-product associations. Subsequently, OMBA proposes a scalable yet
effective online method to generate products' associations using their
representations. Our extensive experiments on three real-world datasets show
that OMBA outperforms state-of-the-art methods by as much as 21%, while
emphasizing rarely occurring strong associations and effectively capturing
temporal changes in associations.
- Abstract(参考訳): 市場バスケット分析(mba)は、製品間の関連を特定する一般的な手法であり、ビジネス上の意思決定に不可欠である。
これまでの研究では、mbaを実行するために従来型の頻繁なアイテムセットマイニングアルゴリズムが採用されている。
しかし、一般的には、最も粒度の細かい製品間で発生する稀な関連を明らかにすることができない。
また、製品間の関連性において時間的ダイナミクスを捉える能力も限られている。
そこで我々は,オンライン・マーケット・バスケットボール・アナリティクスのための新しい表現学習手法であるOMBAを提案する。
ombaは製品とユーザの表現を共同で学習し、製品間および製品間関係の時間的ダイナミクスを保ちます。
その後、OMBAはスケーラブルで効果的なオンライン手法を提案し、それらの表現を用いて製品の関連性を生成する。
3つの実世界のデータセットに関する広範な実験から,ombaは最先端の手法を最大21%上回り,稀に発生する強い関連を強調し,時間的変化を効果的に捉えていることがわかった。
関連論文リスト
- Continual Learning with Pre-Trained Models: A Survey [66.49084129482239]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳(メタデータ) (2024-01-29T18:27:52Z) - Within-basket Recommendation via Neural Pattern Associator [6.690155025718032]
in-basket Recommation(WBR)は、空でないショッピングバスケットを完了するまでアイテムを推薦するタスクである。
本稿では,ユーザの意図を明示的にモデル化したディープアイテム・アソシエーション・マイニング・モデルであるNeural Pattern Associator (NPA)を提案する。
論文 参考訳(メタデータ) (2024-01-25T19:40:55Z) - Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket
Recommendation [50.55786122323965]
次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。
HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。
ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
論文 参考訳(メタデータ) (2023-12-26T02:12:21Z) - Making Large Language Models Better Knowledge Miners for Online
Marketing with Progressive Prompting Augmentation [34.37733369078883]
マーケティング指向の知識グラフをLLMで抽出するためのプログレッシブプロンプトであるPAIRを提案する。
特に,LLMをベースとした適応的関係フィルタリングプロセスにおける純粋関係生成を知識駆動型プロンプト技術により削減する。
オンラインサービスに関しては,中小のPAIR(LightPAIR)を専門とし,強力な教師LLMによって提供される高品質のコーパスを微調整する。
論文 参考訳(メタデータ) (2023-12-08T03:44:09Z) - Knowledge Graph Completion Models are Few-shot Learners: An Empirical
Study of Relation Labeling in E-commerce with LLMs [16.700089674927348]
大規模言語モデル(LLM)は多くの自然言語処理タスクにおいて驚くべき結果を示している。
本稿では,自然言語における強力な学習能力とラベル付きデータを用いた製品タイプ間の関係予測の有効性について検討する。
以上の結果から,LLMは電子商取引KGのリレーショナルラベリングにおいて既存のKG完成モデルよりも大幅に優れており,人間のラベリングに取って代わるほど高い性能を示した。
論文 参考訳(メタデータ) (2023-05-17T00:08:36Z) - Enhancing Label Sharing Efficiency in Complementary-Label Learning with
Label Augmentation [92.4959898591397]
学習中に近隣の事例における補完ラベルの暗黙的な共有を分析した。
相補的なラベル拡張による共有効率を向上させる新しい手法を提案する。
実験結果から,従来のCLLモデルよりも相補的ラベル拡張により経験的性能が向上することが確認された。
論文 参考訳(メタデータ) (2023-05-15T04:43:14Z) - Towards High-Order Complementary Recommendation via Logical Reasoning
Network [19.232457960085625]
本稿では論理的推論ネットワーク LOGIREC を提案し,製品の埋め込みを学習する。
LOGIRECは製品間の非対称的な相補関係を捉えることができる。
また,より汎用的な製品表現の学習に最適化されたハイブリッドネットワークを提案する。
論文 参考訳(メタデータ) (2022-12-09T16:27:03Z) - Off-Beat Multi-Agent Reinforcement Learning [62.833358249873704]
オフビート動作が一般的環境におけるモデルフリーマルチエージェント強化学習(MARL)について検討した。
モデルレスMARLアルゴリズムのための新しいエピソードメモリLeGEMを提案する。
我々は,Stag-Hunter Game,Quarry Game,Afforestation Game,StarCraft IIマイクロマネジメントタスクなど,オフビートアクションを伴うさまざまなマルチエージェントシナリオ上でLeGEMを評価する。
論文 参考訳(メタデータ) (2022-05-27T02:21:04Z) - Dual-AI: Dual-path Actor Interaction Learning for Group Activity
Recognition [103.62363658053557]
空間および時間変換器を柔軟に配置するDual-path Actor Interaction (DualAI) フレームワークを提案する。
また,Dual-AIの2つのインタラクティブパスの間に,MAC-Loss(Multiscale Actor Contrastive Loss)を導入する。
我々のデュアルAIは、異なるアクターの識別的特徴を融合させることでグループ活動の認識を促進することができる。
論文 参考訳(メタデータ) (2022-04-05T12:17:40Z) - Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。
商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。
本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
論文 参考訳(メタデータ) (2022-02-26T02:07:25Z) - Scalable bundling via dense product embeddings [1.933681537640272]
バンドルとは,2つ以上の製品をディスカウントで共同販売するプラクティスである。
我々は,大規模なクロスカテゴリ小売環境でバンドルを設計するための,機械学習による新しい手法を開発した。
埋め込みベースの製品は、バンドルの成功の強力な予測要因であり、製品全体にわたって堅牢であり、小売業者全体の構成によく当てはまります。
論文 参考訳(メタデータ) (2020-01-31T23:34:56Z)
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。