論文の概要: Style Similarity as Feedback for Product Design

• arxiv url: http://arxiv.org/abs/2105.12256v1
• Date: Tue, 25 May 2021 23:30:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 04:31:20.269021
• Title: Style Similarity as Feedback for Product Design
• Title（参考訳）: プロダクトデザインのフィードバックとしてのスタイルの類似性
• Authors: Mathew Schwartz, Tomer Weiss, Esra Ataer-Cansizoglu, Jae-Woo Choi
• Abstract要約: 非常に推奨された製品の設計品質を決定するために、ビッグデータ分析を採用することで、製品設計の観点を捉えます。 我々は、数千の家具製品に対して、スタイルベースの類似度尺度を実装した以前の作業を構築した。 本稿では,eコマースWebサイトを閲覧する消費者に対して,類似商品の表示方法を反映したループ内ワークフローを提案する。
• 参考スコア（独自算出の注目度）: 7.241984306136333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matching and recommending products is beneficial for both customers and companies. With the rapid increase in home goods e-commerce, there is an increasing demand for quantitative methods for providing such recommendations for millions of products. This approach is facilitated largely by online stores such as Amazon and Wayfair, in which the goal is to maximize overall sales. Instead of focusing on overall sales, we take a product design perspective, by employing big-data analysis for determining the design qualities of a highly recommended product. Specifically, we focus on the visual style compatibility of such products. We build off previous work which implemented a style-based similarity metric for thousands of furniture products. Using analysis and visualization, we extract attributes of furniture products that are highly compatible style-wise. We propose a designer in-the-loop workflow that mirrors methods of displaying similar products to consumers browsing e-commerce websites. Our findings are useful when designing new products, since they provide insight regarding what furniture will be strongly compatible across multiple styles, and hence, more likely to be recommended.
• Abstract（参考訳）: プロダクトのマッチングと推奨は、顧客と企業の両方にとって有益である。 家庭用品の電子商取引の急速な増加に伴い、何百万もの商品にそのようなレコメンデーションを提供するための量的手法の需要が高まっている。 このアプローチはAmazonやWayfairなどのオンラインストアによって促進されており、その目標は全体の販売を最大化することにある。 全体的な販売に焦点をあてるのではなく、非常に推奨される製品の設計品質を決定するために、ビッグデータ分析を採用することで、製品設計の視点を取ります。 具体的には、このような製品の視覚的スタイルの互換性に焦点を当てる。 我々は、数千の家具製品に対してスタイルベースの類似度尺度を実装した以前の作業を構築した。 分析と可視化を用いて,高い互換性を有する家具製品の属性を抽出する。 電子商取引サイトを閲覧する消費者と類似製品を表示する方法を反映した,ループ内ワークフローの設計者を提案する。 我々の発見は、新しい製品を設計する際に有用であり、複数のスタイルにまたがってどの家具が強い互換性を持つのかについての洞察を提供するため、より推奨される可能性が高い。

関連論文リスト

• MIND: Multimodal Shopping Intention Distillation from Large Vision-language Models for E-commerce Purchase Understanding [67.26334044239161]
  MINDは、マルチモーダル製品メタデータから購入意図を推測し、人間中心のものを優先するフレームワークである。 Amazon Reviewのデータを使用して、1,264,441万の意図を含むマルチモーダルな意図的知識ベースを作成します。 得られた意図は2つの意図的理解タスクにおいて大きな言語モデルを大幅に向上させる。
  論文  参考訳（メタデータ） (2024-06-15T17:56:09Z)
• Visually Similar Products Retrieval for Shopsy [0.0]
  マルチタスク学習手法を用いて,リセラーコマースのためのビジュアル検索システムを設計する。 我々のモデルは属性分類、三重項ランク付け、変分オートエンコーダ(VAE)の3つの異なるタスクからなる。
  論文  参考訳（メタデータ） (2022-10-10T10:59:18Z)
• 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)
• Characterization of Frequent Online Shoppers using Statistical Learning with Sparsity [54.26540039514418]
  本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
  論文  参考訳（メタデータ） (2021-11-11T05:36:39Z)
• 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)
• 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)
• Personalized Fashion Recommendation from Personal Social Media Data: An Item-to-Set Metric Learning Approach [71.63618051547144]
  ソーシャルメディアデータからパーソナライズされたファッションレコメンデーションの問題について検討する。 本稿では,ユーザの過去のファッションアイテムと新しいファッションアイテムとの類似性を学習する,アイテムツーセットのメトリック学習フレームワークを提案する。 提案手法の有効性を検証するために,実世界のソーシャルメディアデータセットを収集する。
  論文  参考訳（メタデータ） (2020-05-25T23:24:24Z)
• Large-scale Real-time Personalized Similar Product Recommendations [28.718371564543517]
  製品類似性とリアルタイムユーザ興味をモデル化するリアルタイムパーソナライズアルゴリズムを提案する。 本手法は,実世界のeコマースシナリオにおいて,アドカート数に対する10%の改善を実現する。
  論文  参考訳（メタデータ） (2020-04-12T23:16:14Z)

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。