論文の概要: Personalized Bundle Recommendation in Online Games
- arxiv url: http://arxiv.org/abs/2104.05307v1
- Date: Mon, 12 Apr 2021 09:28:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 13:50:10.251616
- Title: Personalized Bundle Recommendation in Online Games
- Title(参考訳): オンラインゲームにおける個人化バンドル勧告
- Authors: Qilin Deng, Kai Wang, Minghao Zhao, Zhene Zou, Runze Wu, Jianrong Tao,
Changjie Fan, Liang Chen
- Abstract要約: 本稿では,バンドルレコメンデーション(bundle recommendation)という,実用的かつあまり検討されていないレコメンデーション問題について述べる。
歴史的相互作用から構築した3部グラフ上のリンク予測問題として定式化する。
3つの公開データセットと1つの産業ゲームデータセットの実験により,提案手法の有効性が示された。
- 参考スコア(独自算出の注目度): 24.16330519588066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In business domains, \textit{bundling} is one of the most important marketing
strategies to conduct product promotions, which is commonly used in online
e-commerce and offline retailers. Existing recommender systems mostly focus on
recommending individual items that users may be interested in. In this paper,
we target at a practical but less explored recommendation problem named bundle
recommendation, which aims to offer a combination of items to users. To tackle
this specific recommendation problem in the context of the \emph{virtual mall}
in online games, we formalize it as a link prediction problem on a
user-item-bundle tripartite graph constructed from the historical interactions,
and solve it with a neural network model that can learn directly on the
graph-structure data. Extensive experiments on three public datasets and one
industrial game dataset demonstrate the effectiveness of the proposed method.
Further, the bundle recommendation model has been deployed in production for
more than one year in a popular online game developed by Netease Games, and the
launch of the model yields more than 60\% improvement on conversion rate of
bundles, and a relative improvement of more than 15\% on gross merchandise
volume (GMV).
- Abstract(参考訳): ビジネスドメインにおいて、textit{bundling} は、オンライン電子商取引やオフライン小売業者で一般的に使用される製品プロモーションを行うための最も重要なマーケティング戦略の1つである。
既存のレコメンダシステムは、ユーザーが興味を持つかもしれない個々のアイテムを推薦することに集中している。
本稿では,バンドルレコメンデーション(bundle recommendation)という,実用的かつあまり検討されていないレコメンデーション問題を対象とする。
オンラインゲームにおける \emph{virtual mall} の文脈で、この特定の推奨問題に取り組むために、歴史的相互作用から構築されたユーザ・アイテム・バンドル三部グラフ上のリンク予測問題として定式化し、グラフ構造データから直接学習可能なニューラルネットワークモデルを用いて解く。
3つの公開データセットと1つの産業ゲームデータセットに関する大規模な実験により,提案手法の有効性が示された。
さらに,Netease Gamesが開発した人気オンラインゲームにおいて,バンドルレコメンデーションモデルが1年以上生産され,バンドルの変換率が60%以上向上し,総商品量(GMV)が15%以上向上した。
関連論文リスト
- BRIDGE: Bundle Recommendation via Instruction-Driven Generation [2.115789253980982]
BRIDGEはバンドルレコメンデーションのための新しいフレームワークである。
これは2つの主要なコンポーネント、すなわち相関ベースのアイテムクラスタリングと擬似バンドル生成モジュールで構成されている。
その結果,5つのベンチマークデータセットにまたがる最先端のランキングベース手法よりも,モデルの優位性が検証された。
論文 参考訳(メタデータ) (2024-12-24T02:07:53Z) - Popularity Estimation and New Bundle Generation using Content and Context based Embeddings [1.099532646524593]
製品バンドルは、製品レコメンデーションの分野におけるエキサイティングな開発です。
販売、消費者エクスペリエンス、商品の多様性に基づいた新しいバンドル人気指標をバンドルに導入する。
実験の結果,既存のバンドルを32%~44%上回る,新たなバンドルを生成することが可能であることが示唆された。
論文 参考訳(メタデータ) (2024-12-23T06:04:14Z) - Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-09T04:20:15Z) - On a Scale-Invariant Approach to Bundle Recommendations in Candy Crush Saga [0.0]
本稿では,モバイルゲームシナリオにおけるアイテムレコメンデーション作成における注意モデルの利用について述べる。
この手法はその後、Candy Crush Sagaのバンドルレコメンデーションに適用される。
提案手法は,クリック率を30%,テイクレートを40%以上向上させ,ユーザのエンゲージメントを30%向上させることを示した。
論文 参考訳(メタデータ) (2024-08-13T10:42:32Z) - Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。
提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文 参考訳(メタデータ) (2023-08-21T15:57:57Z) - Opinion mining using Double Channel CNN for Recommender System [0.0]
深層学習モデルを用いた感情分析のアプローチを提案し,それを製品に推奨する。
意見マイニングには2チャネル畳み込みニューラルネットワークモデルが使用されており、5つのレイヤを持ち、データから重要な特徴を抽出する。
提案手法の精度は91.6%に達し, 従来のアスペクトベース手法に比べて有意に向上した。
論文 参考訳(メタデータ) (2023-07-15T13:11:18Z) - 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) - 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) - Personalized Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
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。
論文 参考訳(メタデータ) (2021-02-11T17:58:51Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2020-05-07T13:48:26Z) - Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
論文 参考訳(メタデータ) (2020-03-11T16:17:08Z)
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。