論文の概要: ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest

• arxiv url: http://arxiv.org/abs/2205.11728v1
• Date: Tue, 24 May 2022 02:28:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 09:55:06.150496
• Title: ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest
• Title（参考訳）: itemsage:pinterestのショッピングレコメンデーションのためのプロダクト埋め込み学習
• Authors: Paul Baltescu, Haoyu Chen, Nikil Pancha, Andrew Zhai, Jure Leskovec, Charles Rosenberg
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.841761065439414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned embeddings for products are an important building block for web-scale e-commerce recommendation systems. At Pinterest, we build a single set of product embeddings called ItemSage to provide relevant recommendations in all shopping use cases including user, image and search based recommendations. This approach has led to significant improvements in engagement and conversion metrics, while reducing both infrastructure and maintenance cost. While most prior work focuses on building product embeddings from features coming from a single modality, we introduce a transformer-based architecture capable of aggregating information from both text and image modalities and show that it significantly outperforms single modality baselines. We also utilize multi-task learning to make ItemSage optimized for several engagement types, leading to a candidate generation system that is efficient for all of the engagement objectives of the end-to-end recommendation system. Extensive offline experiments are conducted to illustrate the effectiveness of our approach and results from online A/B experiments show substantial gains in key business metrics (up to +7% gross merchandise value/user and +11% click volume).
• Abstract（参考訳）: 製品への学習的な埋め込みは、Webスケールのeコマースレコメンデーションシステムにとって重要なビルディングブロックである。 pinterestでは,ユーザやイメージ,検索ベースのレコメンデーションなど,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するために,itemageと呼ばれるプロダクト埋め込みを1セット構築しています。 このアプローチは、インフラストラクチャとメンテナンスのコストを削減しつつ、エンゲージメントと変換のメトリクスを大幅に改善した。 多くの先行研究は単一モダリティから得られる特徴から製品埋め込みを構築することに焦点を当てているが、テキストと画像の両方から情報を集約できるトランスフォーマーベースのアーキテクチャを導入し、単一のモダリティベースラインを著しく上回ることを示す。 また,マルチタスク学習を利用してアイテムセージを複数のエンゲージメントタイプに最適化し,エンド・ツー・エンドレコメンデーションシステムのすべてのエンゲージメント目標に対して効率的な候補生成システムを実現する。 オンラインa/b実験の結果から、重要なビジネス指標(総商品価値/ユーザ/ユーザ数+7%、クリック数+11%)が大幅に向上していることが明らかとなった。

関連論文リスト

• Personalized Multi-task Training for Recommender System [80.23030752707916]
  PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。 我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
  論文  参考訳（メタデータ） (2024-07-31T06:27:06Z)
• MIND: Multimodal Shopping Intention Distillation from Large Vision-language Models for E-commerce Purchase Understanding [67.26334044239161]
  MINDは、マルチモーダル製品メタデータから購入意図を推測し、人間中心のものを優先するフレームワークである。 Amazon Reviewのデータを使用して、1,264,441万の意図を含むマルチモーダルな意図的知識ベースを作成します。 得られた意図は2つの意図的理解タスクにおいて大きな言語モデルを大幅に向上させる。
  論文  参考訳（メタデータ） (2024-06-15T17:56:09Z)
• SEOpinion: Summarization and Exploration Opinion of E-Commerce Websites [0.0]
  本稿では,SEOpinion(Summa-rization and Exploration of Opinion)と呼ばれる方法論を提案する。 テンプレートの情報と顧客のレビューの組合せを2つの主要なフェーズで組み合わせることで、製品面の要約を提供し、それらに対する意見を示す。 本稿では,Deep LearningベースのBERT技術の適用可能性をテストするため,ノートパソコン用EC Webサイトのトップ5から情報を収集してコーパスを作成する。
  論文  参考訳（メタデータ） (2023-12-12T15:45:58Z)
• Towards High-Order Complementary Recommendation via Logical Reasoning Network [19.232457960085625]
  本稿では論理的推論ネットワーク LOGIREC を提案し,製品の埋め込みを学習する。 LOGIRECは製品間の非対称的な相補関係を捉えることができる。 また,より汎用的な製品表現の学習に最適化されたハイブリッドネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-09T16:27:03Z)
• Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations [2.294014185517203]
  製品に2つの埋め込み表現を活用することで、補足的項目の発見に新しいアプローチを適用する。 我々のモデルは実装が簡単であり、あらゆるeコマースウェブサイトで補完的なアイテムレコメンデーションを生成するための優れた候補となる。
  論文  参考訳（メタデータ） (2022-11-28T00:58:21Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Page-level Optimization of e-Commerce Item Recommendations [1.9590062905832923]
  項目詳細ページ上で、項目推薦モジュールのパーソナライズされた選択と注文を最適化するスケーラブルなエンドツーエンド生産システムを提案する。 提案方式は既存の手法に比べてクリックスルー率と変換率を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-12T17:59:22Z)
• 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 Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
  電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。 データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
  論文  参考訳（メタデータ） (2021-02-11T17:58:51Z)
• PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest [54.56236567783225]
  PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。 オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-07T17:13:20Z)

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。