論文の概要: An Algorithm for Recommending Groceries Based on an Item Ranking Method
- arxiv url: http://arxiv.org/abs/2105.00650v1
- Date: Mon, 3 May 2021 06:52:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 13:40:46.165201
- Title: An Algorithm for Recommending Groceries Based on an Item Ranking Method
- Title（参考訳）: 項目ランク付け手法に基づく食料品の推薦アルゴリズム
- Authors: Gourab Nath and Jaydip Sen
- Abstract要約: 本研究は,オンライン食料品ショッピングのための新しいレコメンダシステムアルゴリズムを提案する。
アルゴリズムは、食料品が通常大量で購入されるので、食料品の推奨システムは大量でアイテムを推薦することができるべきであるという視点に基づいています。
- 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: This research proposes a new recommender system algorithm for online grocery
shopping. The algorithm is based on the perspective that, since the grocery
items are usually bought in bulk, a grocery recommender system should be
capable of recommending the items in bulk. The algorithm figures out the
possible dishes a user may cook based on the items added to the basket and
recommends the ingredients accordingly. Our algorithm does not depend on the
user ratings. Customers usually do not have the patience to rate the groceries
they purchase. Therefore, algorithms that are not dependent on user ratings
need to be designed. Instead of using a brute force search, this algorithm
limits the search space to a set of only a few probably food categories. Each
food category consists of several food subcategories. For example, "fried rice"
and "biryani" are food subcategories that belong to the food category "rice".
For each food category, items are ranked according to how well they can
differentiate a food subcategory. To each food subcategory in the activated
search space, this algorithm attaches a score. The score is calculated based on
the rank of the items added to the basket. Once the score exceeds a threshold
value, its corresponding subcategory gets activated. The algorithm then uses a
basket-to-recipe similarity measure to identify the best recipe matches within
the activated subcategories only. This reduces the search space to a great
extent. We may argue that this algorithm is similar to the content-based
recommender system in some sense, but it does not suffer from the limitations
like limited content, over-specialization, or the new user problem.
- Abstract（参考訳）: 本研究は,オンライン食料品ショッピングのための新しいレコメンダシステムアルゴリズムを提案する。
このアルゴリズムは、通常食料品は一括購入されるので、食料品推薦システムは一括して商品を推薦する能力を持つべきだという視点に基づいている。
アルゴリズムは、バスケットに追加されたアイテムに基づいて、ユーザーが調理できる料理を特定し、それに応じて具材を推薦する。
我々のアルゴリズムはユーザーの評価に依存しない。
通常、顧客は購入した食料品を評価できる忍耐力を持っていない。
したがって、ユーザの評価に依存しないアルゴリズムを設計する必要がある。
ブルートフォースサーチを使う代わりに、このアルゴリズムは、検索スペースをいくつかのおそらく食品カテゴリーのセットに制限する。
各食品カテゴリーはいくつかの食品区分から構成される。
例えば「米飯」や「ビリャーニ」は、食品カテゴリー「米」に属する食品のサブカテゴリである。
各食品カテゴリーは、食品サブカテゴリーをいかに区別できるかによってランク付けされる。
活性化された検索空間内の食品サブカテゴリごとに、このアルゴリズムはスコアを付加する。
スコアは、バスケットに追加されたアイテムのランクに基づいて算出される。
スコアがしきい値を超えると、対応するサブカテゴリがアクティベートされる。
アルゴリズムは、バスケットとレシピの類似度尺度を使用して、活性化されたサブカテゴリ内で最適なレシピマッチングを識別する。
これにより検索スペースが大幅に削減される。
このアルゴリズムは、ある意味ではコンテンツベースのレコメンデーションシステムに似ているが、制限されたコンテンツ、過剰な仕様化、新しいユーザー問題といった制限に悩まされていない。
関連論文リスト
- A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - Efficient and Accurate Top-$K$ Recovery from Choice Data [1.14219428942199]
レコメンデーションシステムのようないくつかのアプリケーションでは、統計学者は主に大量のアイテムから上位のアイテムの集合を回収することに興味がある。
そこで本稿では,K$-recoveryの高速かつ高精度なランキングアルゴリズムとして,選択に基づくボルダカウントアルゴリズムを提案する。
選択に基づくボルダカウントアルゴリズムは,多種多様なランダム効用モデルの下で,上位$Kの回収に最適なサンプル複雑性を有することを示す。
論文 参考訳（メタデータ） (2022-06-23T22:05:08Z) - Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。
ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。
ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
論文 参考訳（メタデータ） (2022-06-01T13:46:25Z) - Memory Bounds for the Experts Problem [53.67419690563877]
専門家のアドバイスによるオンライン学習は、逐次予測の根本的な問題である。
目標は、予測を処理し、最小コストで予測を行うことです。
アルゴリズムは、そのセットでもっとも優れた専門家と比較してどれだけうまく機能するかによって判断される。
論文 参考訳（メタデータ） (2022-04-21T01:22:18Z) - Heuristic Search for Rank Aggregation with Application to Label Ranking [16.275063634853584]
本稿では,階層化問題を解くために,効果的なハイブリッド進化的ランキングアルゴリズムを提案する。
このアルゴリズムは、コンコーダントペアに基づくセマンティッククロスオーバーと、効率的な漸進的評価手法によって強化された遅延受容局所探索を特徴とする。
アルゴリズムを評価するために実験が行われ、ベンチマークインスタンス上での高い競争性能を示す。
論文 参考訳（メタデータ） (2022-01-11T11:43:17Z) - Online Learning of Optimally Diverse Rankings [63.62764375279861]
ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。
我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
論文 参考訳（メタデータ） (2021-09-13T12:13:20Z) - Regret in Online Recommendation Systems [73.58127515175127]
本稿では,オンライン環境におけるレコメンデーションシステムの理論的分析について提案する。
各ラウンドにおいて、ユーザがランダムに$m$ユーザから選択され、レコメンデーションが要求される。決定者は、ユーザを観察し、$n$アイテムのカタログからアイテムを選択する。
推奨アルゴリズムのパフォーマンスは、これらの可能性を認識したOracleアルゴリズムを参照して、その後悔を通じて取得される。
論文 参考訳（メタデータ） (2020-10-23T12:48:35Z) - User Fairness, Item Fairness, and Diversity for Rankings in Two-Sided
Markets [28.537935838669423]
ユーザフェアネス、アイテムフェアネス、多様性は根本的に異なる概念であることを示す。
3つのデシラタを明示的に強制する最初のランク付けアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-04T02:53:09Z) - Controlling Fairness and Bias in Dynamic Learning-to-Rank [31.41843594914603]
暗黙のフィードバックデータからランキング関数を学習しながら、グループフェアネスの概念を確実にする学習アルゴリズムを提案する。
このアルゴリズムは、公平さと実用性の両方のために、偏見のない推定器を統合するコントローラの形をとっている。
厳密な理論基盤と収束保証に加えて、アルゴリズムが極めて実用的で堅牢であることが実証的に明らかになった。
論文 参考訳（メタデータ） (2020-05-29T17:57:56Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。