論文の概要: Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce

• arxiv url: http://arxiv.org/abs/2012.08952v1
• Date: Wed, 16 Dec 2020 13:52:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 12:00:50.815215
• Title: Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce
• Title（参考訳）: eコマースにおけるマルチスセナリオレコメンデーションのシナリオ認識と相互ベースアプローチ
• Authors: Yuting Chen, Yanshi Wang, Yabo Ni, An-Xiang Zeng and Lanfen Lin
• Abstract要約: 不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
• 参考スコア（独自算出の注目度）: 12.794276204716642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems (RSs) are essential for e-commerce platforms to help meet the enormous needs of users. How to capture user interests and make accurate recommendations for users in heterogeneous e-commerce scenarios is still a continuous research topic. However, most existing studies overlook the intrinsic association of the scenarios: the log data collected from platforms can be naturally divided into different scenarios (e.g., country, city, culture). We observed that the scenarios are heterogeneous because of the huge differences among them. Therefore, a unified model is difficult to effectively capture complex correlations (e.g., differences and similarities) between multiple scenarios thus seriously reducing the accuracy of recommendation results. In this paper, we target the problem of multi-scenario recommendation in e-commerce, and propose a novel recommendation model named Scenario-aware Mutual Learning (SAML) that leverages the differences and similarities between multiple scenarios. We first introduce scenario-aware feature representation, which transforms the embedding and attention modules to map the features into both global and scenario-specific subspace in parallel. Then we introduce an auxiliary network to model the shared knowledge across all scenarios, and use a multi-branch network to model differences among specific scenarios. Finally, we employ a novel mutual unit to adaptively learn the similarity between various scenarios and incorporate it into multi-branch network. We conduct extensive experiments on both public and industrial datasets, empirical results show that SAML consistently and significantly outperforms state-of-the-art methods.
• Abstract（参考訳）: リコメンダシステム(RS)は、ユーザの膨大なニーズを満たすために、Eコマースプラットフォームにとって不可欠である。 ユーザの興味を捉えて、異質なeコマースシナリオでユーザに対して正確な推奨を行うには、依然として研究課題である。 プラットフォームから収集されたログデータは、自然に異なるシナリオ(例えば、国、都市、文化)に分割することができる。 シナリオが不均一であることは,両者の相違が大きいためである。 したがって、複数のシナリオ間の複雑な相関(例えば、相違点や類似点)を効果的に捉えるのが難しいため、推奨結果の精度が著しく低下する。 本稿では,eコマースにおけるマルチスセナリオ推薦の問題を対象とし,複数のシナリオ間の差異と類似性を活用した新しいシナリオ認識相互学習(saml)を提案する。 まず,組み込みモジュールとアテンションモジュールを変換して,機能をグローバルおよびシナリオ固有のサブスペースに並列にマップする,シナリオ認識機能表現を導入する。 次に,すべてのシナリオで共有知識をモデル化する補助ネットワークを導入し,マルチブランチネットワークを用いて特定のシナリオ間の差異をモデル化する。 最後に,様々なシナリオ間の類似性を適応的に学習し,マルチブランチネットワークに組み込むために,新たな相互ユニットを用いる。 公立および工業用両方のデータセットに対して広範な実験を行い、SAMLが一貫して、最先端の手法よりも著しく優れていることを示す実証実験を行った。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation [11.489766641148151]
  マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。 MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。 我々は,シナリオに支配された専門家の混在により,すべてのシナリオに対処するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-29T06:17:33Z)
• A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce [13.991015845541257]
  統一検索・レコメンデーション(USR)のための効果的で普遍的なフレームワークを提案する。 USRは様々なマルチシナリオモデルに適用でき、性能を大幅に改善することができる。 USRは7Fresh Appでうまくデプロイされている。
  論文  参考訳（メタデータ） (2024-05-17T14:57:52Z)
• DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking [19.448901545665212]
  マルチシナリオルートランキング(MSRR)は多くの産業地図システムにおいて重要である。 本稿では,シナリオ依存パラメータを柔軟に構成するDSFNet(Disentangled Scenario Factorization Network)を提案する。 また,大規模なアノテート産業用多シナリオ運転経路データセットであるMSDRを提案する。
  論文  参考訳（メタデータ） (2024-03-30T04:39:18Z)
• Multi-Scenario Ranking with Adaptive Feature Learning [47.03869915754652]
  マルチシナリオラーニング(Multi-Scenario Learning、MSL)は、業界におけるレコメンデーションと検索システムにおいて広く使われている。 MSLは、より最適なネットワーク構造を探索することで、異なるパラダイムを生成する。 Alibabaの検索広告プラットフォーム上でのA/Bテストの結果は、Mariaがプロダクション環境で優れていることも示しています。
  論文  参考訳（メタデータ） (2023-06-29T07:14:34Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
  マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。 階層型情報抽出ネットワーク(HiNet)を提案する。 HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-10T17:24:41Z)
• Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation [35.4495536683099]
  シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
  論文  参考訳（メタデータ） (2022-08-24T11:44:00Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• 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)
• Variational Inference for Deep Probabilistic Canonical Correlation Analysis [49.36636239154184]
  線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。 潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。 任意の数のビューを持つモデルへの一般化も提案されている。
  論文  参考訳（メタデータ） (2020-03-09T17:51:15Z)

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。