論文の概要: Incorporating Customer Reviews in Size and Fit Recommendation systems
for Fashion E-Commerce
- arxiv url: http://arxiv.org/abs/2208.06261v1
- Date: Thu, 11 Aug 2022 16:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 13:47:07.758318
- Title: Incorporating Customer Reviews in Size and Fit Recommendation systems
for Fashion E-Commerce
- Title（参考訳）: ファッションEコマースのためのサイズ・フィット勧告システムにおける顧客レビューの導入
- Authors: Oishik Chatterjee, Jaidam Ram Tej, Narendra Varma Dasaraju
- Abstract要約: 本稿では,顧客レビューからの情報と,顧客や製品の特徴を,サイズや適合予測に利用するための新しいアプローチを提案する。
提案手法では,F1(マクロ)スコアの1.37%～4.31%が,4つのデータセットのベースラインにまたがって改善されている。
- 参考スコア（独自算出の注目度）: 2.8360662552057323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the huge growth in e-commerce domain, product recommendations have
become an increasing field of interest amongst e-commerce companies. One of the
more difficult tasks in product recommendations is size and fit predictions.
There are a lot of size related returns and refunds in e-fashion domain which
causes inconvenience to the customers as well as costs the company. Thus having
a good size and fit recommendation system, which can predict the correct sizes
for the customers will not only reduce size related returns and refunds but
also improve customer experience. Early works in this field used traditional
machine learning approaches to estimate customer and product sizes from
purchase history. These methods suffered from cold start problem due to huge
sparsity in the customer-product data. More recently, people have used deep
learning to address this problem by embedding customer and product features.
But none of them incorporates valuable customer feedback present on product
pages along with the customer and product features. We propose a novel approach
which can use information from customer reviews along with customer and product
features for size and fit predictions. We demonstrate the effectiveness of our
approach compared to using just product and customer features on 4 datasets.
Our method shows an improvement of 1.37% - 4.31% in F1 (macro) score over the
baseline across the 4 different datasets.
- Abstract（参考訳）: 電子商取引分野の急成長に伴い、製品レコメンデーションは電子商取引企業の間でますます関心を集めている。
プロダクトレコメンデーションの最も難しいタスクの1つは、サイズと適合予測である。
e-fashionドメインには、顧客に対して不便を招き、会社に費用を負担する規模に関連する返金や返金がたくさんあります。
したがって、顧客にとって適切なサイズを予測できる適切なサイズと適合のレコメンデーションシステムを持つことで、サイズに関連するリターンと返金を減らすだけでなく、顧客エクスペリエンスを向上させることができる。
この分野の初期の研究は、購入履歴から顧客と製品のサイズを見積もるために、従来の機械学習アプローチを使用していた。
これらの手法は、顧客製品データが大きくスパースするため、コールドスタート問題に苦しんだ。
最近では、顧客とプロダクトの機能を組み込んで、ディープラーニングを使ってこの問題に対処しています。
しかしいずれも、顧客や製品機能とともに、製品ページに提示される価値ある顧客フィードバックを取り入れていない。
本稿では,顧客レビュー情報と顧客・製品機能を用いて,サイズと適合度を予測する新しい手法を提案する。
当社のアプローチの有効性を,4つのデータセットで製品と顧客のみの機能を使用することと比較した。
4つの異なるデータセットのベースラインよりも、f1(macro)スコアが1.37%から4.31%向上したことを示す。
関連論文リスト
- A BERT based Ensemble Approach for Sentiment Classification of Customer
Reviews and its Application to Nudge Marketing in e-Commerce [2.2120851074630177]
製品レビューは顧客の信頼と忠誠を改善します。
ナッジマーケティング(Nudge marketing)は、Eコマース企業が顧客をためらわずにより良い判断を下すための微妙な方法だ。
論文 参考訳（メタデータ） (2023-11-16T14:18:24Z) - Amazon-M2: A Multilingual Multi-locale Shopping Session Dataset for
Recommendation and Text Generation [127.35910314813854]
Amazon Multi-locale Shopping Sessionデータセット、すなわちAmazon-M2を提示します。
6つの異なるローカライズされた数百万のユーザセッションからなる、最初の多言語データセットである。
注目すべきは、データセットがパーソナライズとユーザの好みの理解を高めるのに役立つことだ。
論文 参考訳（メタデータ） (2023-07-19T00:08:49Z) - 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) - Towards Personalized Answer Generation in E-Commerce via
Multi-Perspective Preference Modeling [62.049330405736406]
Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。
なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。
PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
論文 参考訳（メタデータ） (2021-12-27T07:51:49Z) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
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。
論文 参考訳（メタデータ） (2021-11-11T05:36:39Z) - 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) - SizeFlags: Reducing Size and Fit Related Returns in Fashion E-Commerce [3.324876873771105]
SizeFlagsは、顧客からの弱い注釈付き大規模データに基づく確率ベイズモデルである。
提案手法が14か国にわたるオンラインファッションにおけるサイズ関連リターンを減少させる上での強い影響を実証する。
論文 参考訳（メタデータ） (2021-06-07T11:43:40Z) - Style Similarity as Feedback for Product Design [7.241984306136333]
非常に推奨された製品の設計品質を決定するために、ビッグデータ分析を採用することで、製品設計の観点を捉えます。
我々は、数千の家具製品に対して、スタイルベースの類似度尺度を実装した以前の作業を構築した。
本稿では,eコマースWebサイトを閲覧する消費者に対して,類似商品の表示方法を反映したループ内ワークフローを提案する。
論文 参考訳（メタデータ） (2021-05-25T23:30:29Z) - 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) - Deep Learning-based Online Alternative Product Recommendations at Scale [0.2278231643598956]
テキスト製品情報(例)の両方を使用します。
製品タイトルと説明)と代替製品を推奨する顧客の行動データ。
その結果, オフライン評価やリコール, 精度の面では, 代替製品のカバレッジが大幅に向上した。
論文 参考訳（メタデータ） (2021-04-15T16:27:45Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-02-16T02:08:52Z)
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。