論文の概要: ProVe -- Self-supervised pipeline for automated product replacement and
cold-starting based on neural language models
- arxiv url: http://arxiv.org/abs/2006.14994v2
- Date: Tue, 12 Jan 2021 12:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 20:57:17.547288
- Title: ProVe -- Self-supervised pipeline for automated product replacement and
cold-starting based on neural language models
- Title（参考訳）: ProVe -- ニューラルネットワークモデルに基づく自動製品置換とコールドスタートのためのセルフ教師付きパイプライン
- Authors: Andrei Ionut Damian, Laurentiu Piciu, Cosmin Mihai Marinescu
- Abstract要約: 本稿では,在庫の少ない製品に最適な代替品を推奨するためのパイプラインアプローチを提案する。
また、取引履歴のない小売店のポートフォリオに新たに導入された商品を管理するためのソリューションも提案する。
このソリューションはビジネスに役立つ – 新製品を適切なカテゴリに自動的に割り当てる,1日目からクロス販売を補完する製品を推奨する,トランザクション履歴がほとんどなくても販売予測を行う,といったものだ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In retail vertical industries, businesses are dealing with human limitation
of quickly understanding and adapting to new purchasing behaviors. Moreover,
retail businesses need to overcome the human limitation of properly managing a
massive selection of products/brands/categories. These limitations lead to
deficiencies from both commercial (e.g. loss of sales, decrease in customer
satisfaction) and operational perspective (e.g. out-of-stock, over-stock). In
this paper, we propose a pipeline approach based on Natural Language
Understanding, for recommending the most suitable replacements for products
that are out-of-stock. Moreover, we will propose a solution for managing
products that were newly introduced in a retailer's portfolio with almost no
transactional history. This solution will help businesses: automatically assign
the new products to the right category; recommend complementary products for
cross-sell from day 1; perform sales predictions even with almost no
transactional history. Finally, the vector space model resulted by applying the
pipeline presented in this paper is directly used as semantic information in
deep learning-based demand forecasting solutions, leading to more accurate
predictions. The whole research and experimentation process have been done
using real-life private transactional data, however the source code is
available on https://github.com/Lummetry/ProVe
- Abstract（参考訳）: 小売業の垂直産業では、企業は新しい購買行動への迅速な理解と適応の人間の限界に対処している。
さらに、小売業は、製品・ブランド・カテゴリの大量選択を適切に管理する人的制限を克服する必要がある。
これらの制限は、商業的(セールスの損失、顧客満足度の低下など)と運用的視点(外産、過剰生産など)の両方から欠陥をもたらす。
本稿では,自然言語理解に基づくパイプラインアプローチを提案し,アウトオブストックの製品に最適な代替品を推奨する。
さらに,取引履歴がほとんどない小売業者のポートフォリオに新たに導入された製品を管理するためのソリューションを提案する。
このソリューションはビジネスに役立つ – 新製品を適切なカテゴリに自動的に割り当てる; 1日目からクロス販売を補完する製品を推奨する; 取引履歴がほとんどなくても販売予測を行う。
最後に,本論文で提示したパイプラインを適用したベクトル空間モデルを,ディープラーニングに基づく需要予測ソリューションのセマンティック情報として直接利用し,より正確な予測を行う。
研究と実験のプロセスは、実際のプライベートなトランザクションデータを使用して行われたが、ソースコードはhttps://github.com/lummetry/proveで入手できる。
関連論文リスト
- A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience [24.949929747493204]
本稿では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。
まず,ユーザが商品の購入決定を行う理由を実世界から説明するためのデータセットを作成する。
当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。
論文 参考訳（メタデータ） (2024-02-20T23:04:06Z) - Playing hide and seek: tackling in-store picking operations while
improving customer experience [0.0]
動的店内ピッカー問題ルーティング(diPRP)と呼ばれる新しい問題を定式化する。
この関連する問題 — diPRP — では、ピッカーが顧客の遭遇を最小限に抑えながら、オンライン注文を選択しようとします。
私たちの研究は、オフラインの顧客体験を危険にさらすことなく、小売店がオンライン注文の店内購入を拡大できることを示唆している。
論文 参考訳（メタデータ） (2023-01-05T16:35:17Z) - Let Offline RL Flow: Training Conservative Agents in the Latent Space of
Normalizing Flows [58.762959061522736]
オフライン強化学習は、追加の環境相互作用なしに、事前に記録された、固定されたデータセット上でポリシーをトレーニングすることを目的としている。
我々は、最近、潜在行動空間における学習ポリシーを基礎として、生成モデルの構築に正規化フローの特別な形式を用いる。
提案手法が最近提案したアルゴリズムより優れていることを示すため,様々な移動タスクとナビゲーションタスクについて評価を行った。
論文 参考訳（メタデータ） (2022-11-20T21:57:10Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - A Simulation Environment and Reinforcement Learning Method for Waste
Reduction [50.545552995521774]
本稿では, 流通の観点から, 食料品店の在庫を消耗品で補充する際の問題点を考察する。
目的は、ごみを最小化しながら販売を最大化することであり、衣料品の実際の消費について不確実性がある。
我々は, エージェントの行動に合わせた行動を示す新しい強化学習タスクとして, 在庫再備の枠組みを定めている。
論文 参考訳（メタデータ） (2022-05-30T22:48:57Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - Well Googled is Half Done: Multimodal Forecasting of New Fashion Product
Sales with Image-based Google Trends [13.873453929997776]
新しいファッション製品の売上予測は多くのビジネスダイナミクスを伴う難しい問題である。
本稿では,エンコーダが時系列の表現を学習するニューラルネットワークに基づくアプローチを提案する。
我々のモデルは非自己回帰的な方法で動作し、大きな第1ステップエラーの複合効果を避ける。
論文 参考訳（メタデータ） (2021-09-20T20:15:08Z) - 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) - Online Fashion Commerce: Modelling Customer Promise Date [0.0]
電子商取引では、納期を正確に予測することが顧客体験において大きな役割を果たす。
本稿では,誤った予測を異なる方法でペナルティ化するための機械学習に基づくアプローチを提案する。
提案モデルはファッションeコマース用に社内に展開され、運用中である。
論文 参考訳（メタデータ） (2021-05-01T18:16:12Z) - How Much Can A Retailer Sell? Sales Forecasting on Tmall [20.51263243320733]
本稿では,世界最大のオンラインB2CプラットフォームであるTmallにおける小売店の売上予測事例について検討する。
我々は,販売予測,すなわち季節性抽出と流通転換の2つのメカニズムを設計する。
論文 参考訳（メタデータ） (2020-02-27T06:41:00Z)
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。