論文の概要: Leveraging Tripartite Interaction Information from Live Stream E-Commerce for Improving Product Recommendation

• arxiv url: http://arxiv.org/abs/2106.03415v1
• Date: Mon, 7 Jun 2021 08:32:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:44:32.953091
• Title: Leveraging Tripartite Interaction Information from Live Stream E-Commerce for Improving Product Recommendation
• Title（参考訳）: 商品レコメンデーション改善のためのライブストリームEコマースからのトリパーティイトインタラクション情報の活用
• Authors: Sanshi Yu and Zhuoxuan Jiang and Dong-Dong Chen and Shanshan Feng and Dongsheng Li and Qi Liu and Jinfeng Yi
• Abstract要約: オンラインショッピングの新しい形態は、ライブストリーミングとEコマースのアクティビティを組み合わせたものだ。 業界における成功例にもかかわらず、データサイエンスコミュニティでは、ライブストリームEコマースは十分に研究されていない。 本稿では,各二部グラフのノード表現を学習するための新しいLive Stream E-Commerce Graph Neural Network(LSEC-GNN)を提案する。
• 参考スコア（独自算出の注目度）: 39.02296627914256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, a new form of online shopping becomes more and more popular, which combines live streaming with E-Commerce activity. The streamers introduce products and interact with their audiences, and hence greatly improve the performance of selling products. Despite of the successful applications in industries, the live stream E-commerce has not been well studied in the data science community. To fill this gap, we investigate this brand-new scenario and collect a real-world Live Stream E-Commerce (LSEC) dataset. Different from conventional E-commerce activities, the streamers play a pivotal role in the LSEC events. Hence, the key is to make full use of rich interaction information among streamers, users, and products. We first conduct data analysis on the tripartite interaction data and quantify the streamer's influence on users' purchase behavior. Based on the analysis results, we model the tripartite information as a heterogeneous graph, which can be decomposed to multiple bipartite graphs in order to better capture the influence. We propose a novel Live Stream E-Commerce Graph Neural Network framework (LSEC-GNN) to learn the node representations of each bipartite graph, and further design a multi-task learning approach to improve product recommendation. Extensive experiments on two real-world datasets with different scales show that our method can significantly outperform various baseline approaches.
• Abstract（参考訳）: 最近、オンラインショッピングの新たな形態がますます人気となり、ライブストリーミングとEコマースのアクティビティが組み合わさりつつある。 ストリーマーは製品を紹介し、オーディエンスと対話することで、製品販売のパフォーマンスを大幅に向上させる。 業界における成功例にもかかわらず、データサイエンスコミュニティでは、ライブストリームEコマースは十分に研究されていない。 このギャップを埋めるために、私たちはこの新しいシナリオを調査し、現実世界のLive Stream E-Commerce(LSEC)データセットを収集します。 従来のEコマースと異なり、ストリーマーはLSECイベントにおいて重要な役割を果たす。 したがって、キーとなるのは、ストリーマー、ユーザ、製品間のリッチなインタラクション情報をフル活用することだ。 まず,3部インタラクションデータのデータ分析を行い,ユーザの購買行動に対するストリーマーの影響を定量化する。 分析結果に基づき,三成分情報を不均質グラフとしてモデル化し,その影響をよりよく把握するために,複数の二成分グラフに分解することができる。 本稿では,各二部グラフのノード表現を学習するための新しいLive Stream E-Commerce Graph Neural Network (LSEC-GNN) を提案し,さらに製品レコメンデーションを改善するためにマルチタスク学習アプローチを設計する。 異なるスケールの2つの実世界のデータセットに対する大規模な実験により、本手法は様々なベースラインアプローチを著しく上回ることを示す。

関連論文リスト

• InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,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対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• CoActionGraphRec: Sequential Multi-Interest Recommendations Using Co-Action Graphs [4.031699584957737]
  eBayのデータは、他のEコマースサイトよりも桁違いに多い。 共作用グラフ層を利用したテキストベースの2tower深層学習モデル(アイテムタワーとユーザタワー)を提案する。 項目タワーでは、各項目をその共作用項目を用いて表現し、グラフニューラルネットワークコンポーネントによって完全に活用される協調作用グラフで協調的な信号をキャプチャする。
  論文  参考訳（メタデータ） (2024-10-15T10:11:18Z)
• Neural Graph Matching for Video Retrieval in Large-Scale Video-driven E-commerce [5.534002182451785]
  ビデオによるeコマースは、消費者の信頼を刺激し、販売を促進する大きな可能性を秘めている。 本稿では,ノードレベルのグラフマッチングと優先レベルのグラフマッチングを主とする,新しい二レベルグラフマッチングネットワーク(GMN)を提案する。 総合的な実験によって提案されたGMNの優位性を示し、最先端のアプローチよりも大幅に改善された。
  論文  参考訳（メタデータ） (2024-08-01T07:31:23Z)
• MMBee: Live Streaming Gift-Sending Recommendations via Multi-Modal Fusion and Behaviour Expansion [18.499672566131355]
  ギフトインタラクションの正確なモデリングは、ユーザのエクスペリエンスを向上するだけでなく、ストリーマーの収益も増大させる。 従来のレコメンデーション問題として,ライブストリーミングギフト予測に関する先行研究がある。 実時間マルチモーダル・フュージョンとビヘイビア・エクスパンジョンに基づくMMBeeを提案する。
  論文  参考訳（メタデータ） (2024-06-15T04:59:00Z)
• Knowledge Graph Completion Models are Few-shot Learners: An Empirical Study of Relation Labeling in E-commerce with LLMs [16.700089674927348]
  大規模言語モデル(LLM)は多くの自然言語処理タスクにおいて驚くべき結果を示している。 本稿では,自然言語における強力な学習能力とラベル付きデータを用いた製品タイプ間の関係予測の有効性について検討する。 以上の結果から,LLMは電子商取引KGのリレーショナルラベリングにおいて既存のKG完成モデルよりも大幅に優れており,人間のラベリングに取って代わるほど高い性能を示した。
  論文  参考訳（メタデータ） (2023-05-17T00:08:36Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• 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)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。