Fugu-MT 論文翻訳(概要): Characterization of Frequent Online Shoppers using Statistical Learning with Sparsity

論文の概要: Characterization of Frequent Online Shoppers using Statistical Learning with Sparsity

arxiv url: http://arxiv.org/abs/2111.06057v1
Date: Thu, 11 Nov 2021 05:36:39 GMT
ステータス: 処理完了
システム内更新日: 2021-11-12 21:51:47.145803
Title: Characterization of Frequent Online Shoppers using Statistical Learning with Sparsity
Title（参考訳）: 散らばった統計的学習を用いたオンライン買い物客の頻度評価
Authors: Rajiv Sambasivan, Mark Burgess, J\"org Schad, Arthur Keen, Christopher Woodward, Alexander Geenen, Sachin Sharma
Abstract要約: 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。
参考スコア（独自算出の注目度）: 54.26540039514418
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Developing shopping experiences that delight the customer requires businesses to understand customer taste. This work reports a method to learn the shopping preferences of frequent shoppers to an online gift store by combining ideas from retail analytics and statistical learning with sparsity. Shopping activity is represented as a bipartite graph. This graph is refined by applying sparsity-based statistical learning methods. These methods are interpretable and reveal insights about customers' preferences as well as products driving revenue to the store.
Abstract（参考訳）: 顧客を喜ばせるショッピング体験を開発するには、顧客の嗜好を理解する必要がある。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。ショッピング活動は二部グラフとして表される。このグラフは、スパーシティに基づく統計学習手法を適用して洗練される。これらの方法は解釈可能であり、顧客の好みに関する洞察と、ストアへの収益を駆動する製品を明らかにする。

関連論文リスト

A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
論文参考訳（メタデータ） (2024-07-16T18:43:43Z)
Retail store customer behavior analysis system: Design and Implementation [2.215731214298625]
本稿では,顧客行動の数学的モデリング,効率的なディープラーニングに基づく行動分析,個人と集団の行動可視化という3つの主要な要素を含むフレームワークを提案する。各モジュールとシステム全体が、小売店の実際の状況からのデータを使用して検証された。
論文参考訳（メタデータ） (2023-09-05T06:26:57Z)
Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文参考訳（メタデータ） (2023-04-06T05:20:16Z)
FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
論文参考訳（メタデータ） (2023-02-13T18:55:31Z)
A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study [2.126171264016785]
我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
論文参考訳（メタデータ） (2022-12-01T19:37:29Z)
Aggregated Customer Engagement Model [0.571097144710995]
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。
論文参考訳（メタデータ） (2021-08-17T20:58:10Z)
OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
論文参考訳（メタデータ） (2021-02-02T17:29:52Z)
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)
Face to Purchase: Predicting Consumer Choices with Structured Facial and Behavioral Traits Embedding [53.02059906193556]
消費者の顔の特徴と履歴に基づいて消費者の購入を予測することを提案する。階層型埋め込みネットワークに基づく半教師付きモデルを設計し、消費者の高レベルな特徴を抽出する。実世界のデータセットを用いた実験結果から,消費者の購買行動を予測するために,顔情報の導入による肯定的な効果が示された。
論文参考訳（メタデータ） (2020-07-14T06:06:41Z)
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)

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。