Fugu-MT 論文翻訳(概要): Adversarial learning for product recommendation

論文の概要: Adversarial learning for product recommendation

arxiv url: http://arxiv.org/abs/2007.07269v2
Date: Tue, 1 Sep 2020 15:01:29 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 20:46:33.843196
Title: Adversarial learning for product recommendation
Title（参考訳）: プロダクトレコメンデーションのための広告学習
Authors: Joel R. Bock and Akhilesh Maewal
Abstract要約: 本研究は, 共同分布(ビュー, 購入)行動からサンプルを生成することを学習する条件付き, 結合型生成対向ネットワーク(RecommenderGAN)を提案する。しかし,本モデルが提案する勧告は,消費者やデジタル小売業者に有効である可能性が示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Product recommendation can be considered as a problem in data fusion-- estimation of the joint distribution between individuals, their behaviors, and goods or services of interest. This work proposes a conditional, coupled generative adversarial network (RecommenderGAN) that learns to produce samples from a joint distribution between (view, buy) behaviors found in extremely sparse implicit feedback training data. User interaction is represented by two matrices having binary-valued elements. In each matrix, nonzero values indicate whether a user viewed or bought a specific item in a given product category, respectively. By encoding actions in this manner, the model is able to represent entire, large scale product catalogs. Conversion rate statistics computed on trained GAN output samples ranged from 1.323 to 1.763 percent. These statistics are found to be significant in comparison to null hypothesis testing results. The results are shown comparable to published conversion rates aggregated across many industries and product types. Our results are preliminary, however they suggest that the recommendations produced by the model may provide utility for consumers and digital retailers.
Abstract（参考訳）: 製品レコメンデーションは、個人、その行動、および興味のある商品またはサービス間の共同分布をデータ融合推定する際の問題とみなすことができる。本研究では,極めて疎密な暗黙的フィードバックトレーニングデータから見いだされる行動(ビュー,購入)の連関分布からサンプルを作成することを学ぶ条件付き複合生成対向ネットワーク(RecommenderGAN)を提案する。ユーザインタラクションは、二値要素を持つ2つの行列によって表現される。各行列において、0でない値は、ユーザが特定の製品カテゴリの特定のアイテムを見たり購入したかどうかを示す。この方法でアクションをエンコードすることで、モデルは大規模な製品カタログ全体を表現することができる。訓練されたGAN出力サンプルで計算された変換率統計は、1.323から1.763%までであった。これらの統計は、ヌル仮説試験結果と比較すると有意である。結果は、多くの産業や製品タイプで集計された変換率に匹敵する。しかし,本モデルが提案する勧告は,消費者やデジタル小売業者に有効である可能性が示唆された。

関連論文リスト

Evaluating Performance and Bias of Negative Sampling in Large-Scale Sequential Recommendation Models [0.0]
大規模産業レコメンデーションモデルは、数百万から数十億のオプションを含むカタログから最も関連性の高いアイテムを予測する。これらのモデルを効率的に訓練するために、関連する項目ごとに巨大なカタログから無関係な項目(負のサンプル)の小さなセットが選択される。本研究は,大規模シーケンシャルレコメンデーションモデルの負サンプリング法を選択する際のトレードオフの実践的ガイドとして機能する。
論文参考訳（メタデータ） (2024-10-08T00:23:17Z)
Data Distribution Valuation [56.71023681599737]
既存のデータバリュエーションメソッドは、離散データセットの値を定義します。多くのユースケースでは、ユーザはデータセットの値だけでなく、データセットがサンプリングされた分布の値にも興味を持っています。本稿では,理論的原理と実行可能なポリシを実現するための,MMDに基づく評価手法を提案する。
論文参考訳（メタデータ） (2024-10-06T07:56:53Z)
Consistent Text Categorization using Data Augmentation in e-Commerce [1.558017967663767]
一貫性のあるテキスト分類のための新しいフレームワークを提案する。私たちの目標は、本番レベルのパフォーマンスを維持しながら、モデルの一貫性を改善することです。
論文参考訳（メタデータ） (2023-05-09T12:47:28Z)
Learning Consumer Preferences from Bundle Sales Data [2.6899658723618005]
本稿では,バンドル販売データを用いて消費者の商品に対する評価値の分布を学習するためのアプローチを提案する。 EMアルゴリズムとモンテカルロシミュレーションを用いて,消費者評価の分布を復元する。
論文参考訳（メタデータ） (2022-09-11T21:42:49Z)
Generating Negative Samples for Sequential Recommendation [83.60655196391855]
逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
論文参考訳（メタデータ） (2022-08-07T05:44:13Z)
Understanding, Detecting, and Separating Out-of-Distribution Samples and Adversarial Samples in Text Classification [80.81532239566992]
本稿では,2種類の異常 (OOD と Adv のサンプル) と,3つの側面の内分布 (ID) を比較した。 OODサンプルは第1層から始まる収差を露呈するが,Advサンプルの異常はモデル深層まで出現しない。隠れ表現と出力確率を用いて,ID,OOD,Advのサンプルを分離する簡単な手法を提案する。
論文参考訳（メタデータ） (2022-04-09T12:11:59Z)
Learning to Recommend Using Non-Uniform Data [7.005458308454873]
過去の購入やレビューに基づく製品のユーザの好みを学習することは、現代のレコメンデーションエンジンの基礎にある。一部のユーザーは商品を購入したりレビューしたりする傾向があり、一部の製品はユーザーによって購入またはレビューされる傾向にある。この一様でないパターンは多くの既存のレコメンデーションアルゴリズムのパワーを低下させる。
論文参考訳（メタデータ） (2021-10-21T16:17:40Z)
Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
論文参考訳（メタデータ） (2021-06-11T04:35:21Z)
Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文参考訳（メタデータ） (2021-05-16T08:06:22Z)
Pre-training Graph Transformer with Multimodal Side Information for Recommendation [82.4194024706817]
本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。 The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
論文参考訳（メタデータ） (2020-10-23T10:30:24Z)
Counterfactual Inference for Consumer Choice Across Many Product Categories [6.347014958509367]
我々は,行列因数分解の確率論的モデルに基づく機械学習文献に基づく手法を構築した。我々のモデルは、それぞれのカテゴリを独立して考える従来のモデリングアプローチよりも改善されていることを示す。保持データを用いて、当社のモデルは、ある製品に対して最も価格に敏感な消費者を正確に識別できることを示す。
論文参考訳（メタデータ） (2019-06-06T15:11:01Z)

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。