論文の概要: PreSizE: Predicting Size in E-Commerce using Transformers

• arxiv url: http://arxiv.org/abs/2105.01564v1
• Date: Tue, 4 May 2021 15:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 14:17:49.209024
• Title: PreSizE: Predicting Size in E-Commerce using Transformers
• Title（参考訳）: PreSizE: トランスフォーマーによるeコマースの規模予測
• Authors: Yotam Eshel, Or Levi, Haggai Roitman, Alexander Nus
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 76.33790223551074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in the e-commerce fashion industry have led to an exploration of novel ways to enhance buyer experience via improved personalization. Predicting a proper size for an item to recommend is an important personalization challenge, and is being studied in this work. Earlier works in this field either focused on modeling explicit buyer fitment feedback or modeling of only a single aspect of the problem (e.g., specific category, brand, etc.). More recent works proposed richer models, either content-based or sequence-based, better accounting for content-based aspects of the problem or better modeling the buyer's online journey. However, both these approaches fail in certain scenarios: either when encountering unseen items (sequence-based models) or when encountering new users (content-based models). To address the aforementioned gaps, we propose PreSizE - a novel deep learning framework which utilizes Transformers for accurate size prediction. PreSizE models the effect of both content-based attributes, such as brand and category, and the buyer's purchase history on her size preferences. Using an extensive set of experiments on a large-scale e-commerce dataset, we demonstrate that PreSizE is capable of achieving superior prediction performance compared to previous state-of-the-art baselines. By encoding item attributes, PreSizE better handles cold-start cases with unseen items, and cases where buyers have little past purchase data. As a proof of concept, we demonstrate that size predictions made by PreSizE can be effectively integrated into an existing production recommender system yielding very effective features and significantly improving recommendations.
• Abstract（参考訳）: 近年のeコマースファッション産業の進歩は、パーソナライゼーションの改善を通じて購入者エクスペリエンスを向上させる新しい方法の探求につながった。 推奨項目の適切なサイズを予測することは、パーソナライゼーションの重要な課題であり、本研究で研究されている。 この分野での初期の仕事は、明示的な買い手適合フィードバックのモデリングや、問題の単一側面(例えば、特定のカテゴリー、ブランドなど)のモデリングに重点を置いていた。 最近では、コンテンツベースまたはシーケンスベース、問題のコンテンツベースの側面のより良い説明、購入者のオンラインジャーニーのモデリングなど、よりリッチなモデルが提案されている。 しかしながら、どちらのアプローチも、目に見えないアイテム(シーケンスベースモデル)に遭遇する場合や、新しいユーザ(コンテンツベースモデル)に遭遇する場合、特定のシナリオで失敗する。 そこで本研究では,トランスフォーマーを用い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presizeを提案する。 PreSizEは、ブランドやカテゴリなどのコンテンツベースの属性と、購入者の購入履歴が彼女のサイズ好みに与える影響をモデル化する。 大規模eコマースデータセット上での広範な実験を用いて,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達成できることを実証する。 アイテム属性をエンコードすることで、presize betterは未発見のアイテムでコールドスタートケースを扱い、購入者が過去の購入データを持っていないケースを扱う。 概念実証として,PreSizEで作成したサイズ予測を,極めて効果的な特徴を持つ既存の生産レコメンデータシステムに効果的に統合し,リコメンデーションを大幅に改善できることを示す。

関連論文リスト

• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Unleash the Power of Context: Enhancing Large-Scale Recommender Systems with Context-Based Prediction Models [2.3267858167388775]
  コンテキストベース予測モデルは、ユーザの行動の確率を、ユーザとコンテキストの特徴にのみ依存することによって決定する。 我々は、クリック確率を推定するために補助的なコンテキストベースモデルを訓練することを含む、このモデリングアプローチのための多くの貴重な応用を特定した。
  論文  参考訳（メタデータ） (2023-07-25T07:57:12Z)
• Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
  そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。 注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。 検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T15:52:02Z)
• Consistent Text Categorization using Data Augmentation in e-Commerce [1.558017967663767]
  一貫性のあるテキスト分類のための新しいフレームワークを提案する。 私たちの目標は、本番レベルのパフォーマンスを維持しながら、モデルの一貫性を改善することです。
  論文  参考訳（メタデータ） (2023-05-09T12:47:28Z)
• 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)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Heterogeneous Network Embedding for Deep Semantic Relevance Match in E-commerce Search [29.881612817309716]
  Eコマースアイテム関連性のためのエンドツーエンドの第一次および第二次関連性予測モデルを設計します。 BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。 オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
  論文  参考訳（メタデータ） (2021-01-13T03:12:53Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)
• Multi-Purchase Behavior: Modeling, Estimation and Optimization [0.9337154228221861]
  本稿では,Bundle-MVL-Kファミリーと呼ばれる,同種の選択モデルのマルチ購入ファミリを提案する。 このモデルに対して最適化されたレコメンデーションを効率的に計算するバイナリ検索に基づく反復戦略を開発する。
  論文  参考訳（メタデータ） (2020-06-14T23:47:14Z)

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。