論文の概要: ORDSIM: Ordinal Regression for E-Commerce Query Similarity Prediction
- arxiv url: http://arxiv.org/abs/2203.06591v1
- Date: Sun, 13 Mar 2022 07:22:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 10:05:20.589282
- Title: ORDSIM: Ordinal Regression for E-Commerce Query Similarity Prediction
- Title（参考訳）: ORDSIM:Eコマースクエリ類似性予測のための正規回帰
- Authors: Md. Ahsanul Kabir, Mohammad Al Hasan, Aritra Mandal, Daniel Tunkelang,
Zhe Wu
- Abstract要約: 電子商取引プラットフォームの収益化を促進するためには,低レベルの類似性よりも高いレベルの類似性を正確に予測することが重要である。
ORDSIM(ORDinal Regression for SIMilarity Prediction)を提案する。
ORDSIMは, 競合する回帰法に比べて予測誤差がかなり小さいことを示す。
- 参考スコア（独自算出の注目度）: 7.857610844375064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Query similarity prediction task is generally solved by regression based
models with square loss. Such a model is agnostic of absolute similarity values
and it penalizes the regression error at all ranges of similarity values at the
same scale. However, to boost e-commerce platform's monetization, it is
important to predict high-level similarity more accurately than low-level
similarity, as highly similar queries retrieves items according to
user-intents, whereas moderately similar item retrieves related items, which
may not lead to a purchase. Regression models fail to customize its loss
function to concentrate around the high-similarity band, resulting poor
performance in query similarity prediction task. We address the above challenge
by considering the query prediction as an ordinal regression problem, and
thereby propose a model, ORDSIM (ORDinal Regression for SIMilarity Prediction).
ORDSIM exploits variable-width buckets to model ordinal loss, which penalizes
errors in high-level similarity harshly, and thus enable the regression model
to obtain better prediction results for high similarity values. We evaluate
ORDSIM on a dataset of over 10 millions e-commerce queries from eBay platform
and show that ORDSIM achieves substantially smaller prediction error compared
to the competing regression methods on this dataset.
- Abstract（参考訳）: クエリ類似性予測タスクは一般的に、平方損失を持つ回帰モデルによって解決される。
そのようなモデルは絶対的類似度値に無関係であり、同じスケールで全ての類似度値の回帰誤差をペナルティ化する。
しかし、電子商取引プラットフォームの収益化を促進するためには、ユーザインテリジェントによるアイテムの検索と、中程度に類似したアイテムが購入に繋がらないような関連アイテムを検索する場合、低レベルの類似度よりも正確に高いレベルの類似度を予測することが重要である。
回帰モデルでは、損失関数をカスタマイズして高相似性帯域に集中できないため、クエリ相似性予測タスクのパフォーマンスが低下する。
本稿では,クエリ予測を順序回帰問題として考慮し,ORDSIM(ORDinal Regression for SIMilarity Prediction)モデルを提案する。
ORDSIMは可変幅バケットを用いてオーディナル損失をモデル化し、高いレベルの類似性におけるエラーを厳格に解析し、高い類似性値に対するより良い予測結果を得る。
我々は、eBayプラットフォームから1000万以上のeコマースクエリのデータセット上でORDSIMを評価し、このデータセット上の競合する回帰手法と比較して、ORDSIMが予測誤差を大幅に小さくすることを示す。
関連論文リスト
- Regression-aware Inference with LLMs [52.764328080398805]
提案手法は,一般的な回帰と評価指標に準最適であることを示す。
本稿では,ベイズ最適解を推定し,サンプル応答からクローズド形式の評価指標を推定する代替推論手法を提案する。
論文 参考訳（メタデータ） (2024-03-07T03:24:34Z) - Scalable Estimation for Structured Additive Distributional Regression [0.0]
本稿では,勾配降下の考え方に基づいて,従来のノートパソコン上の任意の量のデータを扱うことができる新しいバックフィッティングアルゴリズムを提案する。
大規模なシミュレーション研究と、オーストリアにおける雷数予測の非常に困難でユニークな例を用いて、性能を評価した。
論文 参考訳（メタデータ） (2023-01-13T14:59:42Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - Variational Inference for Bayesian Bridge Regression [0.0]
橋梁のペナル化を伴う回帰モデルに対するベイズ推定のための自動微分変分推論(ADVI)の実装について検討する。
ブリッジアプローチは $ell_alpha$ norm を使い、回帰係数の大きな値に対するペナル化を定義するために $alpha in (0, +infty)$ を用いる。
B-スプラインを持つ非パラメトリック回帰モデルに対するアプローチについて説明するが、この手法は基底関数の他の選択に対してシームレスに機能する。
論文 参考訳（メタデータ） (2022-05-19T12:29:09Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳（メタデータ） (2021-10-09T13:56:48Z) - High-dimensional regression with potential prior information on variable
importance [0.0]
順序付けによって示されるモデルの列に適合する簡単なスキームを提案する。
リッジ回帰を用いた場合の全てのモデルの適合に対する計算コストは、リッジ回帰の1つの適合に留まらないことを示す。
モデル全体の整合性を大幅に高速化するために,従来の整合性を利用したラッソ回帰の戦略を述べる。
論文 参考訳（メタデータ） (2021-09-23T10:34:37Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳（メタデータ） (2021-05-07T03:33:00Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳（メタデータ） (2021-02-26T23:21:16Z) - A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。
ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。
シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
論文 参考訳（メタデータ） (2020-11-30T21:47:38Z) - Learning Robust Models for e-Commerce Product Search [23.537201383165755]
検索クエリ意図にマッチしないアイテムを表示することは、eコマースにおける顧客エクスペリエンスを低下させる。
問題を緩和するには、大きなラベル付きデータセットが必要である。
我々は、ミスマッチを効果的に分類することを学ぶ、深いエンドツーエンドモデルを開発する。
論文 参考訳（メタデータ） (2020-05-07T17:22:21Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳（メタデータ） (2020-05-07T09:26:14Z)
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。