論文の概要: Face to Purchase: Predicting Consumer Choices with Structured Facial and Behavioral Traits Embedding

• arxiv url: http://arxiv.org/abs/2007.06842v1
• Date: Tue, 14 Jul 2020 06:06:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 14:42:42.633842
• Title: Face to Purchase: Predicting Consumer Choices with Structured Facial and Behavioral Traits Embedding
• Title（参考訳）: Face to Purchase: 顔構造と行動特性を組み込んだ消費者選択予測
• Authors: Zhe Liu, Xianzhi Wang, Lina Yao, Jake An, Lei Bai, Ee-Peng Lim
• Abstract要約: 消費者の顔の特徴と履歴に基づいて消費者の購入を予測することを提案する。 階層型埋め込みネットワークに基づく半教師付きモデルを設計し、消費者の高レベルな特徴を抽出する。 実世界のデータセットを用いた実験結果から,消費者の購買行動を予測するために,顔情報の導入による肯定的な効果が示された。
• 参考スコア（独自算出の注目度）: 53.02059906193556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting consumers' purchasing behaviors is critical for targeted advertisement and sales promotion in e-commerce. Human faces are an invaluable source of information for gaining insights into consumer personality and behavioral traits. However, consumer's faces are largely unexplored in previous research, and the existing face-related studies focus on high-level features such as personality traits while neglecting the business significance of learning from facial data. We propose to predict consumers' purchases based on their facial features and purchasing histories. We design a semi-supervised model based on a hierarchical embedding network to extract high-level features of consumers and to predict the top-$N$ purchase destinations of a consumer. Our experimental results on a real-world dataset demonstrate the positive effect of incorporating facial information in predicting consumers' purchasing behaviors.
• Abstract（参考訳）: 消費者の購買行動を予測することは、eコマースのターゲット広告や販売促進にとって重要である。 人間の顔は、消費者の性格や行動特性に関する洞察を得るための貴重な情報源である。 しかし、消費者の顔は、これまでの研究ではほとんど研究されておらず、既存の顔関連研究は、顔データから学ぶことのビジネス的重要性を無視しながら、パーソナリティ特性のようなハイレベルな特徴に焦点を当てている。 顔の特徴や購買履歴から消費者の購買予測を行う。 我々は,階層的埋め込みネットワークに基づく半教師付きモデルを設計し,消費者の高レベルな特徴を抽出し,消費者の最上位の購入先を予測する。 実世界のデータセットを用いた実験結果から,消費者の購買行動予測に顔情報を導入する効果が示された。

関連論文リスト

• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• UNICON: A unified framework for behavior-based consumer segmentation in e-commerce [0.9213852038999552]
  グループベースのパーソナライゼーションは、消費者セグメントのより広い共通の嗜好に基づくパーソナライゼーションの適度なレベルを提供する。 我々は,統合型ディープラーニングコンシューマセグメンテーションフレームワークであるUNICONを紹介する。 フレームワークの有効性を広く実験し、ルックアライズされたデザイナのオーディエンスとデータ駆動型スタイルセグメントを識別する。
  論文  参考訳（メタデータ） (2023-09-18T14:58:13Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)
• 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)
• Privacy-preserving Object Detection [52.77024349608834]
  我々は,COCOにおけるオブジェクト検出において,顔のぼやけによるデータセットの匿名化と,性別や肌のトーン次元に沿ったバランスの取れた顔の交換は,プライバシを保ち,偏りを部分的に保ちながらオブジェクト検出性能を維持することができることを示した。
  論文  参考訳（メタデータ） (2021-03-11T10:34:54Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)
• 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)
• Categorizing Online Shopping Behavior from Cosmetics to Electronics: An Analytical Framework [3.6726589459214445]
  提案フレームワークは、自動購入予測と記述的な消費者インサイトを得るために、他の大規模なEコマースデータセットに拡張可能である。 提案システムは97～99%の分類精度を達成し,ユーザ・ジャーニーレベルの購買予測を行う。
  論文  参考訳（メタデータ） (2020-10-06T06:16:44Z)
• Detecting multi-timescale consumption patterns from receipt data: A non-negative tensor factorization approach [6.550253537991014]
  我々は、非負のテンソル因子化(NTF)を用いて、週内および週間消費パターンを一度に検出する。 提案手法により,異なる時間スケールで相関する消費パターンに基づいて,消費者を特徴付けることができる。
  論文  参考訳（メタデータ） (2020-04-28T04:07:03Z)
• The wisdom of the few: Predicting collective success from individual behavior [0.0]
  発見者」の小さなセットは、彼らが訪れたレンガとモルタルの店にとって、信頼できる成功予測を提供する。 購入履歴だけでは発見者の小さな集合を検出できる」と述べた。 その結果,大規模購入データにアクセス可能な企業や組織は,発見者を検出し,その行動を利用して市場の動向を予測できることがわかった。
  論文  参考訳（メタデータ） (2020-01-14T13:52:44Z)

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。