論文の概要: Page-level Optimization of e-Commerce Item Recommendations
- arxiv url: http://arxiv.org/abs/2108.05891v1
- Date: Thu, 12 Aug 2021 17:59:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-13 15:47:06.381390
- Title: Page-level Optimization of e-Commerce Item Recommendations
- Title（参考訳）: eコマースアイテムレコメンデーションのページレベルの最適化
- Authors: Chieh Lo, Hongliang Yu, Xin Yin, Krutika Shetty, Changchen He, Kathy
Hu, Justin Platz, Adam Ilardi, Sriganesh Madhvanath
- Abstract要約: 項目詳細ページ上で、項目推薦モジュールのパーソナライズされた選択と注文を最適化するスケーラブルなエンドツーエンド生産システムを提案する。
提案方式は既存の手法に比べてクリックスルー率と変換率を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 1.9590062905832923
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The item details page (IDP) is a web page on an e-commerce website that
provides information on a specific product or item listing. Just below the
details of the item on this page, the buyer can usually find recommendations
for other relevant items. These are typically in the form of a series of
modules or carousels, with each module containing a set of recommended items.
The selection and ordering of these item recommendation modules are intended to
increase discover-ability of relevant items and encourage greater user
engagement, while simultaneously showcasing diversity of inventory and
satisfying other business objectives. Item recommendation modules on the IDP
are often curated and statically configured for all customers, ignoring
opportunities for personalization. In this paper, we present a scalable
end-to-end production system to optimize the personalized selection and
ordering of item recommendation modules on the IDP in real-time by utilizing
deep neural networks. Through extensive offline experimentation and online A/B
testing, we show that our proposed system achieves significantly higher
click-through and conversion rates compared to other existing methods. In our
online A/B test, our framework improved click-through rate by 2.48% and
purchase-through rate by 7.34% over a static configuration.
- Abstract（参考訳）: アイテム詳細ページ (IDP) は、特定の商品や商品の一覧情報を提供するeコマースウェブサイトのウェブページである。
このページのアイテムの詳細の下に、買い手は通常、他の関連するアイテムのレコメンデーションを見つけることができる。
これらは典型的には一連のモジュールまたはカルーセルの形式で、各モジュールには推奨項目のセットが含まれている。
これらのアイテムレコメンデーションモジュールの選択と順序は、関連するアイテムの発見可能性を高め、ユーザーのエンゲージメントを高めると同時に、インベントリの多様性と他のビジネス目的を満足させることを目的としている。
IDPのアイテムレコメンデーションモジュールは、パーソナライゼーションの機会を無視して、しばしばキュレーションされ、静的に設定されます。
本稿では,idp上のアイテムレコメンデーションモジュールのパーソナライズされた選択と順序を,ディープニューラルネットワークを用いてリアルタイムに最適化する,スケーラブルなエンドツーエンド生産システムを提案する。
大規模なオフライン実験とオンラインA/Bテストにより,提案手法は既存の手法に比べてクリックスルーや変換率を大幅に向上することを示す。
オンラインa/bテストでは,クリックスルー率を2.48%,購入スルー率を7.34%改善した。
関連論文リスト
- DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant
Recommendations [3.4947076558586967]
そこで本稿では,Click-Through Rate (CTR) を予測するために,Dynamic Preference-based and Attribute-aware Network (DPAN) と呼ばれる新しい手法を提案する。
DPANは、当社のeコマースプラットフォームに、関連するレコメンデーションのための主要なトラフィックを提供するために、うまくデプロイされています。
論文 参考訳（メタデータ） (2023-08-21T07:26:09Z) - Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。
本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。
また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文 参考訳（メタデータ） (2023-01-16T05:26:07Z) - 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) - Deep Page-Level Interest Network in Reinforcement Learning for Ads
Allocation [14.9065245548275]
本稿では,ページレベルのユーザ嗜好をモデル化し,複数タイプのフィードバックを活用するために,Deep Page-level Interest Network (DPIN)を提案する。
具体的には、4種類のページレベルのフィードバックを入力として導入し、異なる受容領域下でのアイテム配置のユーザの好みをキャプチャする。
論文 参考訳（メタデータ） (2022-04-01T11:58:00Z) - Sequential Modeling with Multiple Attributes for Watchlist
Recommendation in E-Commerce [67.6615871959902]
電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。
私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。
提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
論文 参考訳（メタデータ） (2021-10-18T10:02:15Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - 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) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。