論文の概要: GreenDB -- A Dataset and Benchmark for Extraction of Sustainability Information of Consumer Goods

• arxiv url: http://arxiv.org/abs/2207.10733v1
• Date: Thu, 21 Jul 2022 19:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:43:56.959180
• Title: GreenDB -- A Dataset and Benchmark for Extraction of Sustainability Information of Consumer Goods
• Title（参考訳）: GreenDB -- 消費者商品のサステナビリティ情報抽出のためのデータセットとベンチマーク
• Authors: Alexander Flick, Sebastian Jaeger, Jessica Adriana Sanchez Garcia, Kaspar von den Driesch, Karl Brendel, Felix Biessmann
• Abstract要約: 毎週、ヨーロッパのオンラインショップから商品を収集するデータベースであるGreenDBを提示する。 製品サステナビリティのプロキシとして、専門家が評価するサステナビリティラベルに依存している。 本稿では,データを用いてトレーニングしたMLモデルを用いて,製品のサステナビリティラベルを確実に予測できることを示す。
• 参考スコア（独自算出の注目度）: 58.31888171187044
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The production, shipping, usage, and disposal of consumer goods have a substantial impact on greenhouse gas emissions and the depletion of resources. Machine Learning (ML) can help to foster sustainable consumption patterns by accounting for sustainability aspects in product search or recommendations of modern retail platforms. However, the lack of large high quality publicly available product data with trustworthy sustainability information impedes the development of ML technology that can help to reach our sustainability goals. Here we present GreenDB, a database that collects products from European online shops on a weekly basis. As proxy for the products' sustainability, it relies on sustainability labels, which are evaluated by experts. The GreenDB schema extends the well-known schema.org Product definition and can be readily integrated into existing product catalogs. We present initial results demonstrating that ML models trained with our data can reliably (F1 score 96%) predict the sustainability label of products. These contributions can help to complement existing e-commerce experiences and ultimately encourage users to more sustainable consumption patterns.
• Abstract（参考訳）: 消費財の生産、出荷、利用、廃棄は温室効果ガスの排出と資源の枯渇に大きな影響を与える。 機械学習(ML)は、製品検索における持続可能性面や現代の小売プラットフォームの推奨を考慮し、持続可能な消費パターンを育むのに役立つ。 しかし、信頼性の高いサステナビリティ情報を備えた高品質の製品データがないことは、我々のサステナビリティ目標を達成するのに役立つML技術の開発を妨げる。 ここでは、ヨーロッパのオンラインショップから製品を毎週収集するデータベースであるGreenDBを紹介する。 製品の持続可能性の代理人として、専門家によって評価される持続可能性ラベルに依存する。 GreenDBスキーマはよく知られたschema.org製品定義を拡張し、既存の製品カタログに簡単に統合できる。 まず,データを用いてトレーニングしたMLモデル(F1スコア96%)が製品のサステナビリティラベルを確実に予測できることを示す。 これらの貢献は、既存のeコマース体験を補完し、最終的に、より持続可能な消費パターンをユーザに促すのに役立つ。

関連論文リスト

• 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)
• System Support for Environmentally Sustainable Computing in Data Centers [4.774769264608661]
  現代のデータセンターは環境維持性のサポートが不十分なため、炭素フットプリントの増大に悩まされている。 予備的な結果を提示し、これをデータセンターにおける環境保全コンピューティングを前進させる大きな可能性を秘めているイニシアチブとして認識する。
  論文  参考訳（メタデータ） (2024-03-19T12:56:02Z)
• Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
  Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。 Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。 レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
  論文  参考訳（メタデータ） (2023-07-19T01:05:33Z)
• GreenDB: Toward a Product-by-Product Sustainability Database [2.9971739294416717]
  現代の小売プラットフォームは、検索とレコメンデーションシステムに機械学習(ML)に大きく依存している。 製品ごとにサステナビリティ情報を統合するオープンでパブリックなデータベースは存在しない。 グリーンDBデータセットを生成するスクラップシステムの概念実装の実証について述べる。
  論文  参考訳（メタデータ） (2022-05-05T20:24:16Z)
• 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)
• Can Online Customer Reviews Help Design More Sustainable Products? A Preliminary Study on Amazon Climate Pledge Friendly Products [0.0]
  この論文は、Amazonの製品レビューを調査し分析し、以下の質問に新たな光を当てている。 スター格付けによって均等に分配された上位100のレビューは、3つの製品カテゴリが収集され、手動で注釈付けされ、分析され、解釈される。 レビューの12%から20%の間、直接または間接的に言及されたアスペクトや属性は、持続可能性の観点からこれらの製品の設計を改善するために利用することができる。
  論文  参考訳（メタデータ） (2021-12-20T08:57:37Z)
• Can Machine Learning Tools Support the Identification of Sustainable Design Leads From Product Reviews? Opportunities and Challenges [0.0]
  本稿では,オンライン製品レビューから持続可能なデザインインサイトを自動的に取得する統合型機械学習ソリューションを開発することを目的とする。 既存のフレームワークが提供する機会と課題は、アドホックな機械学習プロセスに沿って議論され、説明され、配置されます。
  論文  参考訳（メタデータ） (2021-12-17T08:53:58Z)
• Multi-Objective Optimization for Value-Sensitive and Sustainable Basket Recommendations [0.0]
  持続可能な消費は、サービスや製品の使用による環境および社会的影響を最小限にすることを目的としている。 本稿では、消費者が個人的価値を尊重しながら購入の持続可能性を向上させることができるレコメンデーションシステムの価値感受性設計に焦点を当てる。
  論文  参考訳（メタデータ） (2021-11-10T21:00:40Z)
• SustainBench: Benchmarks for Monitoring the Sustainable Development Goals with Machine Learning [63.192289553021816]
  国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。 近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。 本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
  論文  参考訳（メタデータ） (2021-11-08T18:59:04Z)
• Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
  近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。 これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。 本稿では,本稿で開発したツールと方法論について紹介する。
  論文  参考訳（メタデータ） (2020-11-03T21:22:42Z)

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。