論文の概要: Exploring Customer Price Preference and Product Profit Role in Recommender Systems

• arxiv url: http://arxiv.org/abs/2203.06641v1
• Date: Sun, 13 Mar 2022 12:08:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 14:16:42.395345
• Title: Exploring Customer Price Preference and Product Profit Role in Recommender Systems
• Title（参考訳）: レコメンダシステムにおける顧客価格選択と製品利益の役割の検討
• Authors: Michal Kompan, Peter Gaspar, Jakub Macina, Matus Cimerman and Maria Bielikova
• Abstract要約: 我々は,レコメンデーションシステムの利益意識を操作する効果を示す。 本稿では,スコアベースのレコメンデータシステムにおいて,予測ランキングの調整を提案する。 実験では、精度と生成したレコメンデーションの利益の両方を改善する能力を示す。
• 参考スコア（独自算出の注目度）: 0.4724825031148411
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Most of the research in the recommender systems domain is focused on the optimization of the metrics based on historical data such as Mean Average Precision (MAP) or Recall. However, there is a gap between the research and industry since the leading Key Performance Indicators (KPIs) for businesses are revenue and profit. In this paper, we explore the impact of manipulating the profit awareness of a recommender system. An average e-commerce business does not usually use a complicated recommender algorithm. We propose an adjustment of a predicted ranking for score-based recommender systems and explore the effect of the profit and customers' price preferences on two industry datasets from the fashion domain. In the experiments, we show the ability to improve both the precision and the generated recommendations' profit. Such an outcome represents a win-win situation when e-commerce increases the profit and customers get more valuable recommendations.
• Abstract（参考訳）: 推薦システム領域における研究の大部分は、平均精度(MAP)やリコールといった過去のデータに基づくメトリクスの最適化に焦点を当てている。 しかし、ビジネスにおける主要なパフォーマンス指標(kpi)は収益と利益であるため、研究と産業の間にはギャップがある。 本稿では,レコメンデーションシステムの利益意識を操作することの影響について検討する。 平均的なeコマースビジネスは通常、複雑な推奨アルゴリズムを使用しない。 スコアベースレコメンデーションシステムにおける予測ランキングの調整を提案し,ファッション領域からの2つの産業データセットに対する利益と顧客価格の選好の影響について検討する。 実験では、精度と生成したレコメンデーションの利益の両方を改善する能力を示す。 このような結果は、Eコマースが利益を増やし、顧客がより多くの価値あるレコメンデーションを得るときの勝利の状況を表している。

関連論文リスト

• A Survey of Retrieval Algorithms in Ad and Content Recommendation Systems [5.017244805491932]
  本稿では,広告レコメンデーションやコンテンツレコメンデーションシステムにおいて最も有効な検索アルゴリズムについて検討する。 広告ターゲティングアルゴリズムは、パーソナライズされた広告を提供するために、詳細なユーザープロファイルと行動データに依存している。 オーガニック検索システムは,ユーザの好みに合ったコンテンツを推奨することで,ユーザエクスペリエンスの向上を目指している。
  論文  参考訳（メタデータ） (2024-06-21T02:31:03Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Algorithmic Collusion or Competition: the Role of Platforms' Recommender Systems [2.551933457838182]
  本研究は,AIに基づく価格アルゴリズムの競合的あるいは共謀的ダイナミクスを,レコメンデーションアルゴリズムがどのように決定するかを検討する。 実験結果から,販売者の利益最大化目標との一致により,収益ベースレコメンデータシステムにより,販売者間のアルゴリズム的共謀が促進されることが判明した。 需要ベースのレコメンデーションシステムは、売り手間の価格競争を促進させ、売り手の目標と不一致のため、価格を下げる。
  論文  参考訳（メタデータ） (2023-09-25T21:45:30Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• 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)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• 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)
• CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems [5.145741425164946]
  本稿では,消費者側と生産側の両方から公平性制約をシームレスに統合する最適化に基づく再ランク付け手法を提案する。 提案手法は, 消費者と生産者の公正性を両立させ, 全体的な推奨品質を低下させることなく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-17T20:38:02Z)
• Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
  企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。 商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。 本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
  論文  参考訳（メタデータ） (2022-02-26T02:07:25Z)
• Causality-Aware Neighborhood Methods for Recommender Systems [3.0919302844782717]
  販売の増加などのリコメンデーターのビジネス目的は、レコメンデーションの因果効果と一致している。 以前の推奨者は因果推論において逆確率スコアリング(IPS)を採用している。 推薦の因果効果に対するロバストなランキング手法を開発した。
  論文  参考訳（メタデータ） (2020-12-17T08:23:17Z)

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。