論文の概要: Personalized Embedding-based e-Commerce Recommendations at eBay

• arxiv url: http://arxiv.org/abs/2102.06156v1
• Date: Thu, 11 Feb 2021 17:58:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 17:00:05.650768
• Title: Personalized Embedding-based e-Commerce Recommendations at eBay
• Title（参考訳）: eBayにおける個人化埋め込み型eコマースレコメンデーション
• Authors: Tian Wang, Yuri M. Brovman, Sriganesh Madhvanath
• Abstract要約: 電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。 データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
• 参考スコア（独自算出の注目度）: 3.1236273633321416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems are an essential component of e-commerce marketplaces, helping consumers navigate massive amounts of inventory and find what they need or love. In this paper, we present an approach for generating personalized item recommendations in an e-commerce marketplace by learning to embed items and users in the same vector space. In order to alleviate the considerable cold-start problem present in large marketplaces, item and user embeddings are computed using content features and multi-modal onsite user activity respectively. Data ablation is incorporated into the offline model training process to improve the robustness of the production system. In offline evaluation using a dataset collected from eBay traffic, our approach was able to improve the Recall@k metric over the Recently-Viewed-Item (RVI) method. This approach to generating personalized recommendations has been launched to serve production traffic, and the corresponding scalable engineering architecture is also presented. Initial A/B test results show that compared to the current personalized recommendation module in production, the proposed method increases the surface rate by $\sim$6\% to generate recommendations for 90\% of listing page impressions.
• Abstract（参考訳）: レコメンダシステムはeコマース市場の重要な要素であり、消費者が大量の在庫をナビゲートし、必要なものや好きなものを見つけるのを助ける。 本稿では,同じベクトル空間にアイテムやユーザを埋め込むことを学習することで,電子商取引市場におけるパーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。 大規模市場におけるコールドスタート問題を軽減するため、コンテンツ機能とマルチモーダルオンサイトユーザアクティビティを用いて、アイテムとユーザ埋め込みをそれぞれ計算する。 データアブレーションはオフラインモデルのトレーニングプロセスに組み込まれ、生産システムの堅牢性を向上させます。 eBayのトラフィックから収集されたデータセットを用いたオフライン評価では、Recall@kメトリクスをLavely-Viewed-Item(RVI)メソッドよりも改善することができた。 パーソナライズドレコメンデーションを生成するこのアプローチは、プロダクショントラフィックを提供するためにローンチされ、対応するスケーラブルなエンジニアリングアーキテクチャも提示されている。 初期のA/Bテスト結果から,現在のパーソナライズされたリコメンデーションモジュールと比較すると,提案手法はページインプレッションの90%のリコメンデーションを生成するために,$\sim$6\%のサーフェスレートを増大させることがわかった。

関連論文リスト

• Intelligent Classification and Personalized Recommendation of E-commerce Products Based on Machine Learning [2.152073242131379]
  本稿では、eコマース、コンテンツ情報、メディアドメインにおけるパーソナライズされたレコメンデーションシステムの重要性と応用について考察する。 データプライバシ、アルゴリズムバイアス、スケーラビリティ、コールドスタート問題など、Eコマースにおいてパーソナライズされたレコメンデーションシステムに直面する課題を概説する。 本稿では、BERTモデルと近隣のアルゴリズムを利用したパーソナライズされたレコメンデーションシステムの概要を述べる。
  論文  参考訳（メタデータ） (2024-03-28T12:02:45Z)
• A Novel Behavior-Based Recommendation System for E-commerce [3.7224375916680823]
  本研究では,eコマースプラットフォーム上でのブラウジングやクリックといった顧客の自然な行動を活用する行動に基づくレコメンデーションシステムを提案する。 提案するリコメンデーションシステムは、アクティブな顧客をクラスタリングし、近隣を判断し、類似ユーザを収集し、類似ユーザに基づいて製品評判を計算し、高評価製品を推薦する。 提案手法は,有名なeコマースサイトAlibabaの行動データセットを用いて実施した実験において,ベンチマーク手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-27T13:12:41Z)
• Application of Machine Learning for Online Reputation Systems [0.4125187280299248]
  本稿では、消費者プロフィールから消費者の信頼度を予測するために機械学習を用いた新しい評価システムを提案する。 提案モデルは10-Foldsクロスバリデーションを用いて、3つのMovieLensベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2022-09-10T12:31:40Z)
• Automatic Controllable Product Copywriting for E-Commerce [58.97059802658354]
  我々は、JD.comのeコマースレコメンデーションプラットフォームに、Eコマースのプレフィックスベースのコントロール可能なコピーライティング生成をデプロイする。 提案するECCCGの有効性を検証する実験を行った。 本稿では,リアルタイムのJD.com電子商取引レコメンデーションプラットフォームに,ECCCGと連携するデプロイアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2022-06-21T04:18:52Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Deep Learning-based Online Alternative Product Recommendations at Scale [0.2278231643598956]
  テキスト製品情報(例)の両方を使用します。 製品タイトルと説明)と代替製品を推奨する顧客の行動データ。 その結果, オフライン評価やリコール, 精度の面では, 代替製品のカバレッジが大幅に向上した。
  論文  参考訳（メタデータ） (2021-04-15T16:27:45Z)
• User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
  推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。 ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。 実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-02-16T02:08:52Z)

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。