論文の概要: Profiling US Restaurants from Billions of Payment Card Transactions

• arxiv url: http://arxiv.org/abs/2009.02461v1
• Date: Sat, 5 Sep 2020 04:50:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 20:34:29.194786
• Title: Profiling US Restaurants from Billions of Payment Card Transactions
• Title（参考訳）: 数十億ドルの支払いカード取引から米国のレストランをプロファイリング
• Authors: Himel Dev and Hossein Hamooni
• Abstract要約: 本稿では,取引データから料理の種類を推定する枠組みを提案する。 最初のステップでは、弱い監督によって限られた数のレストランの料理ラベルを作成します。 第2のステップでは、レストランの取引から様々な統計的特徴と神経埋め込みを抽出する。 3番目のステップでは、ディープニューラルネットワーク(DNN)を使用して、残りのレストランの料理タイプを推測します。
• 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: A payment card (such as debit or credit) is one of the most convenient payment methods for purchasing goods and services. Hundreds of millions of card transactions take place across the globe every day, generating a massive volume of transaction data. The data render a holistic view of cardholder-merchant interactions, containing insights that can benefit various applications, such as payment fraud detection and merchant recommendation. However, utilizing these insights often requires additional information about merchants missing from the data owner's (i.e., payment company's) perspective. For example, payment companies do not know the exact type of product a merchant serves. Collecting merchant attributes from external sources for commercial purposes can be expensive. Motivated by this limitation, we aim to infer latent merchant attributes from transaction data. As proof of concept, we concentrate on restaurants and infer the cuisine types of restaurants from transactions. To this end, we present a framework for inferring the cuisine types of restaurants from transaction data. Our proposed framework consists of three steps. In the first step, we generate cuisine labels for a limited number of restaurants via weak supervision. In the second step, we extract a wide variety of statistical features and neural embeddings from the restaurant transactions. In the third step, we use deep neural networks (DNNs) to infer the remaining restaurants' cuisine types. The proposed framework achieved a 76.2% accuracy in classifying the US restaurants. To the best of our knowledge, this is the first framework to infer the cuisine types of restaurants by analyzing transaction data as the only source.
• Abstract（参考訳）: 支払いカード(デビットカードやクレジットカード)は、商品やサービスを購入するための最も便利な支払い方法の1つである。 毎日何億ものカード取引が世界中で行われ、大量の取引データを生み出している。 データはカードホルダーとマーチャントとのインタラクションの全体像を表しており、支払い詐欺の検出やマーチャントレコメンデーションなど、さまざまなアプリケーションに役立つ洞察を含んでいる。 しかし、これらの洞察を利用するには、しばしばデータ所有者(すなわち支払い会社)の視点から欠落している商人に関する追加情報が必要である。 例えば、決済会社は商店が提供している商品の正確な種類を知らない。 商業目的のために外部ソースからマーチャント属性を収集することは高価である。 この制限により、私たちはトランザクションデータから潜在商属性を推測することを目指しています。 概念実証として、レストランに集中し、取引から料理の種類を推測する。 そこで本研究では,取引データから飲食店の種類を推測する枠組みを提案する。 提案するフレームワークは3つのステップからなる。 最初のステップでは、弱い監督によって限られた数のレストランの料理ラベルを作成します。 第2のステップでは、レストランの取引から様々な統計的特徴と神経埋め込みを抽出する。 3番目のステップでは、ディープニューラルネットワーク(DNN)を使用して、残りのレストランの料理タイプを推測します。 提案手法は、米国のレストランの分類において76.2%の精度を達成した。 私たちの知る限りでは、トランザクションデータを唯一のソースとして分析することでレストランの料理タイプを推測する最初のフレームワークです。

関連論文リスト

• Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
  食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-06-15T15:38:10Z)
• Biased Bytes: On the Validity of Estimating Food Consumption from Digital Traces [17.890674216192277]
  ソーシャルメディア(Twitter)と食品追跡アプリケーション(MyFoodRepo)による食事行動の関連を定量化する。 例えば、パンはTwitterよりも消費食品や追跡食品の2.5倍、ケーキはTwitterの12倍の頻度である。 食べ物の種類によって、Twitterに投稿された食べ物は、消費された食品や追跡された食品と比べて、美味しく、カロリーが高く、健康が悪く、家庭で消費された可能性が低く、より複雑で、より大きいものと見なされている。
  論文  参考訳（メタデータ） (2022-08-30T17:13:16Z)
• A Mobile Food Recognition System for Dietary Assessment [6.982738885923204]
  我々は,生活支援のための食品認識アプリケーションの開発に焦点をあてる。 このタスクにMobilenet-v2アーキテクチャを使うことは、正確性とメモリ使用量の両方において有益である。 開発されたモバイルアプリケーションは、画像を介して自動食品認識において視覚障害者に役立てる可能性がある。
  論文  参考訳（メタデータ） (2022-04-20T12:49:36Z)
• Cluttered Food Grasping with Adaptive Fingers and Synthetic-Data Trained Object Detection [8.218146534971156]
  食品包装産業は、幅広い形状と大きさのさまざまな食品を扱う。 ビンピッキングの一般的なアプローチは、まず、インスタンスセグメンテーション法を用いてトレイ内の各食品を識別することである。 合成データを純粋に訓練し,sim2real法を用いて実世界へ転送する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T06:44:09Z)
• FoodLogoDet-1500: A Dataset for Large-Scale Food Logo Detection via Multi-Scale Feature Decoupling Network [55.49022825759331]
  高度な食品ロゴ検出アルゴリズムを開発するには、大規模な食品ロゴデータセットが緊急に必要である。 FoodLogoDet-1500は、1500のカテゴリ、約10万の画像、約15万個の手動で注釈付けされた食品ロゴオブジェクトを備えた、新しい大規模一般公開の食品ロゴデータセットである。 食品のロゴを識別する手法として,MFDNet(Multi-scale Feature Decoupling Network)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T12:47:04Z)
• Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
  食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。 食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。 食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
  論文  参考訳（メタデータ） (2021-07-13T06:26:53Z)
• A Large-Scale Benchmark for Food Image Segmentation [62.28029856051079]
  我々は9,490枚の画像を含む新しい食品画像データセットFoodSeg103(およびその拡張FoodSeg154)を構築します。 これらの画像に154種類の成分を付加し,各画像は平均6つの成分ラベルと画素単位のマスクを有する。 ReLeMと呼ばれるマルチモダリティプリトレーニングアプローチを提案し、豊富なセマンティックな食品知識を持つセグメンテーションモデルを明確に装備します。
  論文  参考訳（メタデータ） (2021-05-12T03:00:07Z)
• Merchant Category Identification Using Credit Card Transactions [20.15215476646073]
  我々は2つのエンコーダを設計し、1つは時間情報を符号化し、もう1つは親和性情報を符号化する。 71,668人の商人と433,772,755人の顧客が実際のクレジットカード取引データを用いて実験を行い、提案モデルの有効性と効率を実証した。
  論文  参考訳（メタデータ） (2020-11-05T01:21:30Z)
• ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked Global-Local Attention Network [50.7720194859196]
  ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。 このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。 食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T02:48:27Z)
• A Bayesian Approach for Predicting Food and Beverage Sales in Staff Canteens and Restaurants [2.362412515574206]
  本稿では,ポイント・オブ・セールスシステムから取得したデータのみに基づく予測手法を提案する。 幅広い評価において,カジュアルなレストランで収集された2つのデータセットと,大きなスタッフの缶詰について検討する。 提案モデルがレストランデータの特徴に適合することを示す。
  論文  参考訳（メタデータ） (2020-05-26T12:05:06Z)
• Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
  画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。 本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。 食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
  論文  参考訳（メタデータ） (2020-03-09T07:41:17Z)

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。