論文の概要: SizeFlags: Reducing Size and Fit Related Returns in Fashion E-Commerce
- arxiv url: http://arxiv.org/abs/2106.03532v1
- Date: Mon, 7 Jun 2021 11:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:31:17.272105
- Title: SizeFlags: Reducing Size and Fit Related Returns in Fashion E-Commerce
- Title（参考訳）: SizeFlags:ファッションEコマースにおけるサイズとフィット関連リターンの削減
- Authors: Andrea Nestler, Nour Karessli, Karl Hajjar, Rodrigo Weffer, Reza
Shirvany
- Abstract要約: SizeFlagsは、顧客からの弱い注釈付き大規模データに基づく確率ベイズモデルである。
提案手法が14か国にわたるオンラインファッションにおけるサイズ関連リターンを減少させる上での強い影響を実証する。
- 参考スコア（独自算出の注目度）: 3.324876873771105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: E-commerce is growing at an unprecedented rate and the fashion industry has
recently witnessed a noticeable shift in customers' order behaviour towards
stronger online shopping. However, fashion articles ordered online do not
always find their way to a customer's wardrobe. In fact, a large share of them
end up being returned. Finding clothes that fit online is very challenging and
accounts for one of the main drivers of increased return rates in fashion
e-commerce. Size and fit related returns severely impact 1. the customers
experience and their dissatisfaction with online shopping, 2. the environment
through an increased carbon footprint, and 3. the profitability of online
fashion platforms. Due to poor fit, customers often end up returning articles
that they like but do not fit them, which they have to re-order in a different
size. To tackle this issue we introduce SizeFlags, a probabilistic Bayesian
model based on weakly annotated large-scale data from customers. Leveraging the
advantages of the Bayesian framework, we extend our model to successfully
integrate rich priors from human experts feedback and computer vision
intelligence. Through extensive experimentation, large-scale A/B testing and
continuous evaluation of the model in production, we demonstrate the strong
impact of the proposed approach in robustly reducing size-related returns in
online fashion over 14 countries.
- Abstract（参考訳）: 電子商取引は前例のないペースで成長しており、ファッション業界は最近、顧客の注文行動がより強力なオンラインショッピングへと顕著に変化しているのを目撃している。
しかし、オンラインで注文されたファッション記事は、必ずしも顧客のワードローブへの道を見つけるとは限らない。
実際、その大多数が返却されることになる。
オンラインにフィットする服を見つけることは非常に困難で、ファッションeコマースにおけるリターン率の上昇の主な要因の1つだ。
サイズと適合性による利益は,1.顧客体験とオンラインショッピングに対する不満,2.カーボンフットプリントの増加による環境,3.オンラインファッションプラットフォームの収益性に大きく影響する。
適合性が悪いため、顧客は好んではいるものの適合しない記事を返却し、異なるサイズで再注文しなければならない場合が多い。
この問題に対処するために、顧客からの弱い注釈付き大規模データに基づく確率ベイズモデルであるSizeFlagsを紹介します。
ベイジアンフレームワークの利点を生かして、人間の専門家からのフィードバックとコンピュータビジョンインテリジェンスのリッチプリエントをうまく統合できるようにモデルを拡張します。
大規模な実験,大規模A/Bテスト,生産モデルの継続的な評価を通じて,14か国にわたるオンラインファッションにおけるサイズ関連リターンの堅牢化に対する提案手法の強い影響を実証した。
関連論文リスト
- SiCo: A Size-Controllable Virtual Try-On Approach for Informed Decision-Making [12.418243635054536]
VTO(Virtual try-on)アプリケーションは、ユーザが衣服をプレビューできるようにすることで、オンラインショッピング体験を改善することを目的としている。
多くのVTOツールは、衣服のサイズと利用者の身体サイズの間に重要な関係を考慮できない。
SiCoはオンラインのVTOシステムで、ユーザーは自分の画像をアップロードし、服のサイズがどう見えるかを視覚化できる。
論文 参考訳（メタデータ） (2024-08-05T19:46:59Z) - Learning to Personalize Recommendation based on Customers' Shopping
Intents [6.503955510722271]
本システムでは,レコメンデーションをパーソナライズするために,各顧客のハイレベルなショッピング意図を明確に識別し,活用する。
我々は,「キャンプに行く」や「ビーチパーティーの準備」など,アマゾンの顧客によって追求される様々なハイレベルな目標を自動的に識別する技術を開発した。
当社のソリューションは(21カ国14言語で)スケーラブルな方法です。
論文 参考訳（メタデータ） (2023-05-09T09:06:46Z) - Incorporating Customer Reviews in Size and Fit Recommendation systems
for Fashion E-Commerce [2.8360662552057323]
本稿では,顧客レビューからの情報と,顧客や製品の特徴を,サイズや適合予測に利用するための新しいアプローチを提案する。
提案手法では,F1(マクロ)スコアの1.37%～4.31%が,4つのデータセットのベースラインにまたがって改善されている。
論文 参考訳（メタデータ） (2022-08-11T16:47:25Z) - FitGAN: Fit- and Shape-Realistic Generative Adversarial Networks for
Fashion [5.478764356647437]
本稿では,衣料の絡み合ったサイズと適合特性を考慮に入れた生成的敵モデルFitGANを提案する。
本モデルでは, ファッション記事の真の適合性や形状を反映したリアルな画像を生成する。
論文 参考訳（メタデータ） (2022-06-23T15:10:28Z) - Macroscopic properties of buyer-seller networks in online marketplaces [55.41644538483948]
2010年から2021年の間にオンラインマーケットプレースで発生した2億2500万トランザクションを含む2つのデータセットを分析した。
オンラインマーケットプレースにおける取引は、言語、生涯、製品、規制、技術に大きな違いがあるにもかかわらず、非常に類似したパターンを示す。
論文 参考訳（メタデータ） (2021-12-16T18:00:47Z) - Leveraging Multiple Relations for Fashion Trend Forecasting Based on
Social Media [72.06420633156479]
Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。
KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。
長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
論文 参考訳（メタデータ） (2021-05-07T14:52:03Z) - 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 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) - Knowledge Enhanced Neural Fashion Trend Forecasting [81.2083786318119]
本研究は,特定のユーザグループを対象とした,きめ細かいファッション要素の傾向の調査に焦点をあてる。
まず、Instagramから収集した大規模なファッショントレンドデータセット(FIT)に、時系列のファッション要素の記録とユーザー情報を抽出した。
本稿では,時系列データモデリングにおける深部再帰型ニューラルネットワークの機能を利用する知識強化型ニューラルネットワークモデル(KERN)を提案する。
論文 参考訳（メタデータ） (2020-05-07T07:42:17Z) - 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。