論文の概要: Solving Fashion Recommendation -- The Farfetch Challenge
- arxiv url: http://arxiv.org/abs/2108.01314v1
- Date: Tue, 3 Aug 2021 06:22:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 13:50:22.455138
- Title: Solving Fashion Recommendation -- The Farfetch Challenge
- Title(参考訳): Fashion Recommendationの解決 - the Farfetch Challenge
- Authors: Manish Pathak, Aditya Jain
- Abstract要約: 我々は,ECML PKDD Farfetch Fashion Recommendation Challengeに提案する。
この課題の目標は、ユーザーが一連のファッションアイテムを提示されたときにクリックする確率を最大化することである。
- 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: Recommendation engines are integral to the modern e-commerce experience, both
for the seller and the end user. Accurate recommendations lead to higher
revenue and better user experience. In this paper, we are presenting our
solution to ECML PKDD Farfetch Fashion Recommendation Challenge.The goal of
this challenge is to maximize the chances of a click when the users are
presented with set of fashion items. We have approached this problem as a
binary classification problem. Our winning solution utilizes Catboost as the
classifier and Bayesian Optimization for hyper parameter tuning. Our baseline
model achieved MRR of 0.5153 on the validation set. Bayesian optimization of
hyper parameters improved the MRR to 0.5240 on the validation set. Our final
submission on the test set achieved a MRR of 0.5257.
- Abstract(参考訳): 推奨エンジンは、売り手とエンドユーザーの両方にとって、現代のeコマース体験に不可欠なものだ。
正確な推奨は収益の向上とユーザエクスペリエンスの向上につながる。
本稿では,ecml pkdd farfetch ファッションレコメンデーションチャレンジの解決策を提示する。この課題の目的は,ユーザがファッションアイテムのセットを提示した場合にクリックする確率を最大化することである。
我々は二項分類問題としてこの問題にアプローチした。
我々の勝利解は、超パラメータチューニングのための分類器としてCatboostとベイズ最適化を利用する。
我々のベースラインモデルは検証セットで0.5153のMRRを達成した。
ハイパーパラメータのベイズ最適化は、検証セットのmrrを0.5240に改善した。
テストセットの最終提案は 0.5257 の mrr を達成した。
関連論文リスト
- Context-aware adaptive personalised recommendation: a meta-hybrid [0.41436032949434404]
機械学習を用いて最適なアルゴリズムを予測するメタハイブリッドレコメンデータを提案する。
提案モデルに基づいて、どのレコメンデータがユーザに最も正確なレコメンデーションを提供するかを予測できる。
論文 参考訳(メタデータ) (2024-10-17T09:24:40Z) - Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳(メタデータ) (2024-10-17T01:02:04Z) - MADA: Meta-Adaptive Optimizers through hyper-gradient Descent [73.1383658672682]
メタ適応(MADA)は、複数の既知の収束を一般化し、トレーニング中に最も適した収束を動的に学習できる統合フレームワークである。
私たちは、MADAを視覚や言語タスクに関する他の人気と経験的に比較し、MADAがAdamや他の人気を一貫して上回っていることに気付きました。
AVGradは最大演算子を平均演算子に置き換えたもので、高次最適化に適している。
論文 参考訳(メタデータ) (2024-01-17T00:16:46Z) - Ranking-based Adaptive Query Generation for DETRs in Crowded Pedestrian
Detection [49.27380156754935]
DETRのクエリの数は手動で調整しなければなりませんが、そうでなければ、パフォーマンスは様々な程度に低下します。
本稿では,ランクに基づく適応クエリ生成(RAQG)を提案し,問題を緩和する。
提案手法は単純かつ効果的であり,任意のDETRにプラグインすることで,理論上クエリ適応性を実現する。
論文 参考訳(メタデータ) (2023-10-24T11:00:56Z) - Lightweight Boosting Models for User Response Prediction Using
Adversarial Validation [2.4040470282119983]
ShareChatが主催するACM RecSys Challenge 2023は、アプリがインストールされる確率を予測することを目的としている。
本稿では,この課題に対する軽量な解決策について述べる。
論文 参考訳(メタデータ) (2023-10-05T13:57:05Z) - Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a
Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。
我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。
我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文 参考訳(メタデータ) (2023-01-03T13:06:44Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳(メタデータ) (2022-07-04T17:49:25Z) - NTIRE 2022 Challenge on Efficient Super-Resolution: Methods and Results [279.8098140331206]
NTIRE 2022の課題は、低解像度と対応する高解像度の画像のペアに基づいて、倍率$4の入力画像を超解凍することであった。
目的は、複数の測定基準に従って測定された効率を改善するために、単一画像超解像のためのネットワークを設計することであった。
論文 参考訳(メタデータ) (2022-05-11T17:58:54Z) - 5th Place Solution for VSPW 2021 Challenge [29.246666942808673]
本稿では,VSPW 2021 Challengeで使用したソリューションを紹介する。
実験はSwin TransformerとMaskFormerの2つのベースラインモデルに基づいている。
外部セグメンテーションデータセットを使わずに、私たちのソリューションはプライベートリーダーボードで5位にランクインしました。
論文 参考訳(メタデータ) (2021-12-13T02:27:05Z) - Context-aware Retail Product Recommendation with Regularized Gradient
Boosting [4.524282268368634]
FARFETCH Fashion Recommendation Challengeでは、参加者がさまざまな製品がユーザに表示される順序を予測する必要があった。
データセットには5000,000以上のレコメンデーションイベント、45万の製品、23万のユニークなユーザが含まれている。
我々は、製品とユーザコンテキストの類似性を考慮し、製品をより効果的にランク付けする独自のコンテキスト認識システムを設計した。
論文 参考訳(メタデータ) (2021-09-17T14:08:37Z) - Compositional ADAM: An Adaptive Compositional Solver [69.31447856853833]
C-ADAMは、期待値の非線形機能ネストを含む構成問題に対する最初の適応的解法である。
C-ADAM は $mathcalO(delta-2.25)$ の定常点に収束し、$delta$ は精度パラメータであることを示す。
論文 参考訳(メタデータ) (2020-02-10T14:00:45Z)
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。