論文の概要: Fantastic Embeddings and How to Align Them: Zero-Shot Inference in a Multi-Shop Scenario

• arxiv url: http://arxiv.org/abs/2007.14906v1
• Date: Mon, 20 Jul 2020 13:46:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 14:41:37.852436
• Title: Fantastic Embeddings and How to Align Them: Zero-Shot Inference in a Multi-Shop Scenario
• Title（参考訳）: 素晴らしい埋め込みとその調整方法:マルチショップシナリオにおけるゼロショット推論
• Authors: Federico Bianchi, Jacopo Tagliabue, Bingqing Yu, Luca Bigon and Ciro Greco
• Abstract要約: 本稿では,マルチショップパーソナライズに複数の埋め込み空間を活用するという課題に対処する。 手動による介入なしに、あるウェブサイトから別のウェブサイトにショッピング意図を移すことで、ゼロショット推論が可能であることを示す。 2つのダウンストリームタスク、イベント予測とタイプアヘッド提案で共有埋め込み空間をテストすることで、ゼロショットのパーソナライゼーションが実際に実現可能であることを示す。
• 参考スコア（独自算出の注目度）: 17.156864650143675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the challenge of leveraging multiple embedding spaces for multi-shop personalization, proving that zero-shot inference is possible by transferring shopping intent from one website to another without manual intervention. We detail a machine learning pipeline to train and optimize embeddings within shops first, and support the quantitative findings with additional qualitative insights. We then turn to the harder task of using learned embeddings across shops: if products from different shops live in the same vector space, user intent - as represented by regions in this space - can then be transferred in a zero-shot fashion across websites. We propose and benchmark unsupervised and supervised methods to "travel" between embedding spaces, each with its own assumptions on data quantity and quality. We show that zero-shot personalization is indeed possible at scale by testing the shared embedding space with two downstream tasks, event prediction and type-ahead suggestions. Finally, we curate a cross-shop anonymized embeddings dataset to foster an inclusive discussion of this important business scenario.
• Abstract（参考訳）: 本稿では,マルチショップパーソナライズに複数の埋め込み空間を活用することの課題に対処し,手動による介入なしにショッピング意図を別のウェブサイトに転送することで,ゼロショット推論が可能であることを証明した。 まず、店内への埋め込みをトレーニングし、最適化するための機械学習パイプラインを詳述し、質的な洞察を付加して定量的発見をサポートする。 異なるショップの製品が同じベクトル空間に住んでいれば、この領域のリージョンによって代表されるユーザインテントが、Webサイト全体でゼロショットの方法で転送されます。 我々は,データ量と品質を前提とした,埋め込み空間間の"トラベリング"を行う,教師なしおよび教師なしの手法を提案し,ベンチマークする。 2つのダウンストリームタスク、イベント予測とタイプアヘッド提案で共有埋め込み空間をテストすることで、ゼロショットのパーソナライゼーションが実際に実現可能であることを示す。 最後に、この重要なビジネスシナリオに関する包括的議論を促進するために、クロスショップ匿名の埋め込みデータセットをキュレートする。

関連論文リスト

• ESMC: Entire Space Multi-Task Model for Post-Click Conversion Rate via Parameter Constraint [38.561040267729105]
  本稿では,制約実験によるクリック後変換率の空間マルチタスクモデルを提案する。 我々は,「Exposure_click_in-shop action」と「in-shop action_purchase」を個別に扱う。
  論文  参考訳（メタデータ） (2023-07-18T12:25:40Z)
• ProbVLM: Probabilistic Adapter for Frozen Vision-Language Models [69.50316788263433]
  本稿では,事前学習された視覚言語モデルの埋め込みに対する確率分布を推定する確率的アダプタProbVLMを提案する。 本稿では,検索タスクにおける不確実性埋め込みのキャリブレーションを定量化し,ProbVLMが他の手法よりも優れていることを示す。 本稿では,大規模な事前学習型潜伏拡散モデルを用いて,埋め込み分布を可視化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-01T18:16:06Z)
• Online Detection Of Supply Chain Network Disruptions Using Sequential Change-Point Detection for Hawkes Processes [9.789159342840971]
  我々は、大型家具会社から受け取ったサプライチェーンデータに基づいて、Covid-19パンデミックによるインフレクションや変化点の検出を試みる。 我々は,多次元の自己および相互にエキサイティングな点過程であるホークス・プロセス・ネットワークを用いて,注文データをモデル化する。 この項目は, 国内に比べて頻繁に注文されるため, 異なるデータ空間で有効性を示すことができる。
  論文  参考訳（メタデータ） (2022-11-22T08:48:56Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly Supervised Object Detection [54.24966006457756]
  自己知識蒸留ネットワーク(SLV-SDネット)を用いたWSODフレームワークを提案する。 SLV-SD Netは、境界ボックスアノテーションなしで領域提案のローカライゼーションを収束させる。 PASCAL VOC 2007/2012およびMS-COCOデータセットの実験は、SLV-SD Netの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-04-14T11:56:19Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• SAR-Net: A Scenario-Aware Ranking Network for PersonalizedFair Recommendation in Hundreds of Travel Scenarios [11.603889783538309]
  本稿では,これらの問題に対処する新しいシナリオ・アウェア・ランキング・ネットワーク(SAR-Net)を提案する。 8000万人以上のユーザと155万の旅行アイテムをカバーするオフラインデータセットの実験と、オンラインA/Bテストにより、SAR-Netの有効性が実証された。
  論文  参考訳（メタデータ） (2021-10-13T03:49:45Z)
• Embracing Structure in Data for Billion-Scale Semantic Product Search [14.962039276966319]
  我々は、数十億の規模でダイアドニューラル埋め込みモデルを訓練し、展開するための原則的アプローチを提案する。 実世界のデータセットの自然な構造を活用することで、両方の課題に効率的に対処できることが示される。
  論文  参考訳（メタデータ） (2021-10-12T16:14:13Z)
• Multimodal Clustering Networks for Self-supervised Learning from Unlabeled Videos [69.61522804742427]
  本稿では,共通のマルチモーダル埋め込み空間を学習する自己監督型トレーニングフレームワークを提案する。 インスタンスレベルのコントラスト学習の概念をマルチモーダルクラスタリングステップで拡張し,モダリティ間の意味的類似性を捉える。 結果として得られる埋め込みスペースは、見えないデータセットや異なるドメインからでも、すべてのモダリティにわたるサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2021-04-26T15:55:01Z)
• Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
  本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。 本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T05:30:53Z)
• "An Image is Worth a Thousand Features": Scalable Product Representations for In-Session Type-Ahead Personalization [18.742642089529244]
  画像に基づくパーソナライゼーションは、代替提案よりもいくつかの利点があると主張する。 類似店舗間のベクトル空間の共有が,サイトを閲覧するユーザエクスペリエンスの向上にどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-03-11T18:41:56Z)

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。