論文の概要: Context-aware Retail Product Recommendation with Regularized Gradient
Boosting
- arxiv url: http://arxiv.org/abs/2109.08561v1
- Date: Fri, 17 Sep 2021 14:08:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-20 14:46:04.535683
- Title: Context-aware Retail Product Recommendation with Regularized Gradient
Boosting
- Title(参考訳): 正規化グラディエントブースティングによるコンテキスト対応製品レコメンデーション
- Authors: Sourya Dipta Das, Ayan Basak
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.524282268368634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the FARFETCH Fashion Recommendation challenge, the participants needed to
predict the order in which various products would be shown to a user in a
recommendation impression. The data was provided in two phases - a validation
phase and a test phase. The validation phase had a labelled training set that
contained a binary column indicating whether a product has been clicked or not.
The dataset comprises over 5,000,000 recommendation events, 450,000 products
and 230,000 unique users. It represents real, unbiased, but anonymised,
interactions of actual users of the FARFETCH platform. The final evaluation was
done according to the performance in the second phase. A total of 167
participants participated in the challenge, and we secured the 6th rank during
the final evaluation with an MRR of 0.4658 on the test set. We have designed a
unique context-aware system that takes the similarity of a product to the user
context into account to rank products more effectively. Post evaluation, we
have been able to fine-tune our approach with an MRR of 0.4784 on the test set,
which would have placed us at the 3rd position.
- Abstract(参考訳): FARFETCH Fashion Recommendation Challengeでは,推薦インプレッションにおいて,様々な商品がユーザに提示される順序を予測する必要があった。
データは2つのフェーズ – 検証フェーズとテストフェーズ – で提供されました。
検証フェーズには、製品がクリックされたかどうかを示すバイナリ列を含むラベル付きトレーニングセットがあった。
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。
FARFETCHプラットフォームの実際のユーザ間の、真の、偏見のない、匿名化されたインタラクションを表す。
最終評価は第2フェーズのパフォーマンスに応じて行われた。
この課題には合計167名の参加者が参加し,最終評価では0.4658のmrで6位を獲得した。
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。
評価後、テストセットのmrr 0.4784で我々のアプローチを微調整することができた。
関連論文リスト
- Prometheus: Inducing Fine-grained Evaluation Capability in Language
Models [66.12432440863816]
我々は,GPT-4の評価能力に匹敵する,完全にオープンソースなLarge Language Model (LLM) であるPrometheusを提案する。
プロメテウスは45種類の楽譜を用いた評価において、Pearsonの0.897の相関を人間の評価値と比較した。
Prometheusは2つの人間の選好ベンチマークで最も精度が高い。
論文 参考訳(メタデータ) (2023-10-12T16:50:08Z) - Privacy Aware Experiments without Cookies [13.488622527004082]
2つのブランドは、A/Bテストで顧客のための代替Webエクスペリエンスを共同でテストしたい。
このような共同テストは、現在、サードパーティ製クッキーを使用して実施されており、各ブランドは、他のウェブサイトへの訪問者の身元に関する情報を持っている。
サードパーティのクッキーの即時除去により、このようなA/Bテストは不可能になる。
そこで我々は,2つのブランドが実験の高レベルな集約パラメータに同意するだけで,代替体験をテストするための2段階の実験設計を提案する。
論文 参考訳(メタデータ) (2022-11-03T23:44:01Z) - 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$4の入力画像を超解凍することであった。
目的は、複数の測定基準に従って測定された効率を改善するために、単一画像超解像のためのネットワークを設計することであった。
論文 参考訳(メタデータ) (2022-05-11T17:58:54Z) - TTRS: Tinkoff Transactions Recommender System benchmark [62.997667081978825]
TTRS - Tinkoff Transactions Recommender Systemベンチマークを示す。
この金融取引ベンチマークには、約1万人のユーザーと、14ヶ月で1000以上の商業ブランドの間で200万以上のインタラクションが含まれている。
また,現在普及しているRecSys手法を次の期間の推薦タスクで総合的に比較し,その性能を様々な指標や推奨目標に対して詳細に分析する。
論文 参考訳(メタデータ) (2021-10-11T20:04:07Z) - Solving Fashion Recommendation -- The Farfetch Challenge [0.0]
我々は,ECML PKDD Farfetch Fashion Recommendation Challengeに提案する。
この課題の目標は、ユーザーが一連のファッションアイテムを提示されたときにクリックする確率を最大化することである。
論文 参考訳(メタデータ) (2021-08-03T06:22:31Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳(メタデータ) (2021-05-16T08:06:22Z) - OpenKBP: The open-access knowledge-based planning grand challenge [0.6157382820537718]
我々は,2020年のAAPMグランドチャレンジであるOpenKBPを主催し,参加者にCT画像の量を予測する最善の方法の開発を依頼した。
1)3次元線量分布を評価する線量スコアと,(2)DVH測定値を評価する線量ヒストグラム(DVH)スコアの2つの異なるスコアで評価した。
チャレンジには28カ国から195人の参加者が参加し、73人の参加者が検証段階で44のチームを編成し、合計で1750の応募を受けた。
論文 参考訳(メタデータ) (2020-11-28T06:45:06Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳(メタデータ) (2020-02-23T06:40:48Z)
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。