論文の概要: Context-Aware Drive-thru Recommendation Service at Fast Food Restaurants

• arxiv url: http://arxiv.org/abs/2010.06197v1
• Date: Tue, 13 Oct 2020 06:31:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 23:11:24.902389
• Title: Context-Aware Drive-thru Recommendation Service at Fast Food Restaurants
• Title（参考訳）: ファーストフードレストランにおけるコンテクスト対応ドライブスルーレコメンデーションサービス
• Authors: Luyang Wang, Kai Huang, Jiao Wang, Shengsheng Huang, Jason Dai, Yue Zhuang
• Abstract要約: Drive-thruはファストフード業界で人気のある販売チャネルで、消費者は車を離れることなく食品を購入することができる。 ドライブスルーレコメンデーションシステムでは、客の注文に応じてレストランがデジタルメニューボードに食品レコメンデーションを表示することができる。 本稿では,ドライブスルーレコメンデーションにTransformer encodeerを用いて,客の注文行動とコンテキスト特徴(位置,時間,天候など)を利用する新しいレコメンデーションモデルであるTransformer Cross Transformerを提案する。
• 参考スコア（独自算出の注目度）: 8.395737593293404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drive-thru is a popular sales channel in the fast food industry where consumers can make food purchases without leaving their cars. Drive-thru recommendation systems allow restaurants to display food recommendations on the digital menu board as guests are making their orders. Popular recommendation models in eCommerce scenarios rely on user attributes (such as user profiles or purchase history) to generate recommendations, while such information is hard to obtain in the drive-thru use case. Thus, in this paper, we propose a new recommendation model Transformer Cross Transformer (TxT), which exploits the guest order behavior and contextual features (such as location, time, and weather) using Transformer encoders for drive-thru recommendations. Empirical results show that our TxT model achieves superior results in Burger King's drive-thru production environment compared with existing recommendation solutions. In addition, we implement a unified system to run end-to-end big data analytics and deep learning workloads on the same cluster. We find that in practice, maintaining a single big data cluster for the entire pipeline is more efficient and cost-saving. Our recommendation system is not only beneficial for drive-thru scenarios, and it can also be generalized to other customer interaction channels.
• Abstract（参考訳）: Drive-thruはファストフード業界で人気のある販売チャネルで、消費者は車を離れることなく食品を購入することができる。 ドライブスルーレコメンデーションシステムでは、客の注文に応じてレストランがデジタルメニューボードに食品レコメンデーションを表示することができる。 電子商取引シナリオにおける一般的なレコメンデーションモデルは、ユーザー属性(ユーザープロファイルや購入履歴など)に依存してレコメンデーションを生成するが、ドライブスルーのユースケースではそのような情報は入手が困難である。 そこで本論文では,ドライブスルーレコメンデーションにTransformer encodeerを用いて,客の注文行動とコンテキスト特徴(位置,時間,天気など)を利用した新しいレコメンデーションモデルであるTransformer Cross Transformer(TxT)を提案する。 実験の結果,txtモデルはバーガーキングのドライブスルー生産環境において,既存のレコメンデーションソリューションと比較して優れた結果を得た。 さらに、エンドツーエンドのビッグデータ分析とディープラーニングワークロードを同一クラスタ上で実行するための統合システムも実装しています。 実際には、パイプライン全体に対して単一のビッグデータクラスタを維持する方が効率的でコスト削減が期待できます。 我々のリコメンデーションシステムは,ドライブスルーシナリオだけでなく,他の顧客インタラクションチャネルにも一般化することができる。

関連論文リスト

• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• RecXplainer: Amortized Attribute-based Personalized Explanations for Recommender Systems [35.57265154621778]
  提案するRecXplainerは,推奨項目の属性に対するユーザの好みに基づいた,きめ細かい説明を生成する手法である。 我々はRecXplainerを5つの実世界および大規模レコメンデーションデータセットで評価する。
  論文  参考訳（メタデータ） (2022-11-27T21:00:31Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model [15.248362664235845]
  本稿では,新しいレストラン料理推薦システムを提案する。 光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。 我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-15T11:45:44Z)
• Using a Language Model in a Kiosk Recommender System at Fast-Food Restaurants [0.0]
  本稿では,ベクタライザとしての言語モデルとニューラルネットワークに基づく分類器を組み合わせた,キオスクショッピングカート推薦システムを提案する。 モデルはオフラインテストで他のモデルよりも優れたパフォーマンスを示し、A/B/Cテストで最高のモデルに匹敵するパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-02-08T21:09:36Z)
• Profiling US Restaurants from Billions of Payment Card Transactions [0.0]
  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。
  論文  参考訳（メタデータ） (2020-09-05T04:50:27Z)
• COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce [64.95907840457471]
  我々は,COOKIEと呼ばれる電子商取引プラットフォームにおける知識グラフに対する対話的推薦のための新しいデータセットを提案する。 データセットはAmazonのレビューコーパスから構築され、ユーザエージェント対話とカスタムナレッジグラフを統合してレコメンデーションする。
  論文  参考訳（メタデータ） (2020-08-21T00:11:31Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。