論文の概要: Identifying Substitute and Complementary Products for Assortment Optimization with Cleora Embeddings

• arxiv url: http://arxiv.org/abs/2208.06262v1
• Date: Wed, 10 Aug 2022 11:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-15 13:46:46.579316
• Title: Identifying Substitute and Complementary Products for Assortment Optimization with Cleora Embeddings
• Title（参考訳）: cleora埋め込みによるソート最適化のための代替品および補完品の同定
• Authors: Sergiy Tkachuk, Anna Wr\'oblewska, Jacek D\k{a}browski, Szymon {\L}ukasik
• Abstract要約: 本稿では,Cleora のグラフ埋め込みアルゴリズムを用いて,商品の代替品や補材を見つける新しい手法を提案する。 提案した新しいアプローチは推奨商品の適切な選択を提供し、最小限の追加情報を必要とすると結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years brought an increasing interest in the application of machine learning algorithms in e-commerce, omnichannel marketing, and the sales industry. It is not only to the algorithmic advances but also to data availability, representing transactions, users, and background product information. Finding products related in different ways, i.e., substitutes and complements is essential for users' recommendations at the vendor's site and for the vendor - to perform efficient assortment optimization. The paper introduces a novel method for finding products' substitutes and complements based on the graph embedding Cleora algorithm. We also provide its experimental evaluation with regards to the state-of-the-art Shopper algorithm, studying the relevance of recommendations with surveys from industry experts. It is concluded that the new approach presented here offers suitable choices of recommended products, requiring a minimal amount of additional information. The algorithm can be used in various enterprises, effectively identifying substitute and complementary product options.
• Abstract（参考訳）: 近年、eコマース、オムニチャネルマーケティング、販売業界における機械学習アルゴリズムの適用への関心が高まっている。 アルゴリズムの進歩だけでなく、トランザクション、ユーザ、バックグラウンド製品情報を表現するデータ可用性にも関係しています。 代替品や補完品など、さまざまな方法で関連のある製品を見つけることは、ベンダーのサイトやベンダーにおけるユーザの推薦に不可欠であり、効率的なアソート最適化を行う。 本稿では,グラフ埋め込みcleoraアルゴリズムに基づく製品代替品と補完品の探索法を提案する。 また,現在最先端のShopperアルゴリズムに関する実験評価を行い,業界の専門家による調査による推薦の妥当性について検討した。 提案した新しいアプローチは推奨商品の適切な選択を提供し、最小限の追加情報を必要とすると結論付けている。 このアルゴリズムは様々な企業で利用でき、代替品と補完品の選択肢を効果的に特定できる。

関連論文リスト

• Exploring Fine-grained Retail Product Discrimination with Zero-shot Object Classification Using Vision-Language Models [50.370043676415875]
  スマートリテールアプリケーションでは、多数の製品とその頻繁なターンオーバーは信頼性の高いゼロショットオブジェクト分類方法を必要とする。 我々は28の異なる製品カテゴリからなるMIMEXデータセットを紹介した。 我々は、提案したMIMEXデータセット上で、最先端ビジョン言語モデル(VLM)のゼロショットオブジェクト分類性能をベンチマークする。
  論文  参考訳（メタデータ） (2024-09-23T12:28:40Z)
• Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
  本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。 その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズム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） (2024-06-23T13:40:50Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• 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)
• 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)
• 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)
• A Retail Product Categorisation Dataset [2.538209532048867]
  類似製品の識別は一般的なサブタスクである。 当社の目標は、小売商品のカテゴリー予測のための機械学習手法の評価を向上させることです。
  論文  参考訳（メタデータ） (2021-03-25T14:23:48Z)
• Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems [1.52292571922932]
  協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。 パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
  論文  参考訳（メタデータ） (2020-06-05T17:37:46Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。