論文の概要: Aggregated Customer Engagement Model
- arxiv url: http://arxiv.org/abs/2108.07872v1
- Date: Tue, 17 Aug 2021 20:58:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 23:54:35.440479
- Title: Aggregated Customer Engagement Model
- Title（参考訳）: 集約型顧客エンゲージメントモデル
- Authors: Priya Gupta and Cuize Han
- Abstract要約: Eコマースウェブサイトは、機械学習によるランキングモデルを使用して、顧客に対してショッピング結果を提供する。
新規または過小評価された製品は、十分な顧客エンゲージメント信号を持っておらず、人気製品に並ぶと不利になる。
本稿では,1日以内にすべての顧客エンゲージメントを集約し,同じクエリを入力トレーニングデータとして使用する新しいデータキュレーション手法を提案する。
- 参考スコア（独自算出の注目度）: 0.571097144710995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: E-commerce websites use machine learned ranking models to serve shopping
results to customers. Typically, the websites log the customer search events,
which include the query entered and the resulting engagement with the shopping
results, such as clicks and purchases. Each customer search event serves as
input training data for the models, and the individual customer engagement
serves as a signal for customer preference. So a purchased shopping result, for
example, is perceived to be more important than one that is not. However, new
or under-impressed products do not have enough customer engagement signals and
end up at a disadvantage when being ranked alongside popular products. In this
paper, we propose a novel method for data curation that aggregates all customer
engagements within a day for the same query to use as input training data. This
aggregated customer engagement gives the models a complete picture of the
relative importance of shopping results. Training models on this aggregated
data leads to less reliance on behavioral features. This helps mitigate the
cold start problem and boosted relevant new products to top search results. In
this paper, we present the offline and online analysis and results comparing
the individual and aggregated customer engagement models trained on e-commerce
data.
- Abstract（参考訳）: Eコマースウェブサイトは、機械学習によるランキングモデルを使用して、顧客に対してショッピング結果を提供する。
一般的にwebサイトは、入力されたクエリや、クリックや購入などのショッピング結果へのエンゲージメントを含む、顧客の検索イベントをログする。
各顧客の検索イベントはモデルの入力トレーニングデータとして機能し、個々の顧客のエンゲージメントは顧客の好みの信号として機能する。
例えば、購入したショッピング結果が、そうでないものよりも重要であると認識されている。
しかし、新規または過小評価された製品は、十分な顧客エンゲージメント信号を持っておらず、人気製品に並ぶと不利になる。
本稿では,1日以内にすべての顧客エンゲージメントを集約し,同じクエリを入力訓練データとして使用する新しいデータキュレーション手法を提案する。
この集約された顧客エンゲージメントは、モデルにショッピング結果の相対的重要性の全体像を与える。
この集約されたデータに対するトレーニングモデルは、振る舞いの特徴への依存を減らします。
これはコールドスタート問題を緩和し、関連する新製品を検索結果のトップに上げている。
本稿では,eコマースデータを用いて学習した個人および集約顧客エンゲージメントモデルを比較し,オフラインおよびオンライン分析と結果について述べる。
関連論文リスト
- DYNAFED: Tackling Client Data Heterogeneity with Global Dynamics [60.60173139258481]
非イド分散データに対する局所訓練は、偏向局所最適化をもたらす。
自然な解決策は、サーバがデータ分散全体のグローバルなビューを持つように、すべてのクライアントデータをサーバに収集することです。
本稿では,データプライバシを損なうことなく,サーバ上でのグローバルな知識の収集と活用を図る。
論文 参考訳（メタデータ） (2022-11-20T06:13:06Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Towards Personalized Answer Generation in E-Commerce via
Multi-Perspective Preference Modeling [62.049330405736406]
Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。
なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。
PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
論文 参考訳（メタデータ） (2021-12-27T07:51:49Z) - 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) - Personalized Entity Resolution with Dynamic Heterogeneous Knowledge
Graph Representations [40.37976161857134]
製品ランキングの精度を向上させるためにパーソナライズされた機能を活用する新しいフレームワークを提案する。
まず、顧客購入履歴と製品知識グラフからオープンソースの異種知識グラフを作成し、顧客と製品の埋め込みを共同で学習します。
その後、プロダクト、顧客、履歴の表現をニューラルリランキングモデルに組み込んで、どの候補が特定の顧客に購入される可能性が最も高いかを予測します。
論文 参考訳（メタデータ） (2021-04-06T16:58:27Z) - Heterogeneous Network Embedding for Deep Semantic Relevance Match in
E-commerce Search [29.881612817309716]
Eコマースアイテム関連性のためのエンドツーエンドの第一次および第二次関連性予測モデルを設計します。
BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。
オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
論文 参考訳（メタデータ） (2021-01-13T03:12:53Z) - Categorizing Online Shopping Behavior from Cosmetics to Electronics: An
Analytical Framework [3.6726589459214445]
提案フレームワークは、自動購入予測と記述的な消費者インサイトを得るために、他の大規模なEコマースデータセットに拡張可能である。
提案システムは97～99%の分類精度を達成し,ユーザ・ジャーニーレベルの購買予測を行う。
論文 参考訳（メタデータ） (2020-10-06T06:16:44Z) - Automatic Validation of Textual Attribute Values in E-commerce Catalog
by Learning with Limited Labeled Data [61.789797281676606]
そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。
限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。
ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
論文 参考訳（メタデータ） (2020-06-15T21:31:05Z) - Modeling Product Search Relevance in e-Commerce [7.139647051098728]
本稿では,検索クエリと商品の関連性を評価するためのロバストな手法を提案する。
BM25 や Indri のような従来の情報検索モデルと word2vec, sentence2vec, paragraph2vec といったディープラーニングモデルとの比較を行った。
論文 参考訳（メタデータ） (2020-01-14T21:17:55Z)
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。