論文の概要: Fine-Grained Session Recommendations in E-commerce using Deep
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2210.15451v1
- Date: Thu, 20 Oct 2022 13:22:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 12:02:57.022540
- Title: Fine-Grained Session Recommendations in E-commerce using Deep
Reinforcement Learning
- Title(参考訳): 深層強化学習を用いたEコマースにおけるきめ細かいセッション勧告
- Authors: Diddigi Raghu Ram Bharadwaj, Lakshya Kumar, Saif Jawaid, Sreekanth
Vempati
- Abstract要約: ユーザの関心を守り、プラットフォームに関わり続けることは、Eコマースビジネスの成功にとって非常に重要である。
本研究は,ユーザが興味を抱くために,ユーザに対して商品のシーケンスを推奨することを目的とする,未知の意図のない設定に重点を置いている。
我々はこの問題を、逐次決定のための一般的な数学的枠組みであるマルコフ決定プロセス(MDP)の枠組みで定式化する。
- 参考スコア(独自算出の注目度): 0.028675177318965035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sustaining users' interest and keeping them engaged in the platform is very
important for the success of an e-commerce business. A session encompasses
different activities of a user between logging into the platform and logging
out or making a purchase. User activities in a session can be classified into
two groups: Known Intent and Unknown intent. Known intent activity pertains to
the session where the intent of a user to browse/purchase a specific product
can be easily captured. Whereas in unknown intent activity, the intent of the
user is not known. For example, consider the scenario where a user enters the
session to casually browse the products over the platform, similar to the
window shopping experience in the offline setting. While recommending similar
products is essential in the former, accurately understanding the intent and
recommending interesting products is essential in the latter setting in order
to retain a user. In this work, we focus primarily on the unknown intent
setting where our objective is to recommend a sequence of products to a user in
a session to sustain their interest, keep them engaged and possibly drive them
towards purchase. We formulate this problem in the framework of the Markov
Decision Process (MDP), a popular mathematical framework for sequential
decision making and solve it using Deep Reinforcement Learning (DRL)
techniques. However, training the next product recommendation is difficult in
the RL paradigm due to large variance in browse/purchase behavior of the users.
Therefore, we break the problem down into predicting various product
attributes, where a pattern/trend can be identified and exploited to build
accurate models. We show that the DRL agent provides better performance
compared to a greedy strategy.
- Abstract(参考訳): ユーザの関心の維持とプラットフォームへの関与は、Eコマースビジネスの成功にとって非常に重要です。
セッションは、プラットフォームへのログインからログアウトや購入までのユーザのさまざまなアクティビティを含んでいる。
セッション内のユーザアクティビティは、既知のインテントと未知インテントの2つのグループに分類できる。
既知の意図活動は、ユーザが特定の商品を閲覧・購入する意図を容易に捉えられるセッションに関係する。
未知の意図活動では、ユーザの意図は分かっていない。
例えば、ユーザがセッションを入力して、オフライン設定のウィンドウショッピングエクスペリエンスと同じように、プラットフォーム上で製品をカジュアルに閲覧するシナリオを考えてください。
前者にとって類似商品の推奨は不可欠であるが、ユーザを維持するためには、後者では、意図を正確に理解し、興味深い製品を推奨することが不可欠である。
この作業では、主に未知の意図設定に焦点を合わせ、セッション内でユーザに対して一連のプロダクトを推奨し、関心を保ち、エンゲージメントを維持し、購入を促すことを目的としています。
我々はこの問題を、逐次決定のための一般的な数学的フレームワークであるマルコフ決定プロセス(MDP)の枠組みで定式化し、Deep Reinforcement Learning(DRL)技術を用いて解決する。
しかし,ユーザの閲覧・購入行動のばらつきが大きいため,RLパラダイムでは,次の製品推奨のトレーニングは困難である。
したがって、問題を様々な製品属性の予測に分解し、パターン/trendを識別し、正確なモデルを構築するために活用する。
DRLエージェントは強欲な戦略よりも優れた性能を示すことを示す。
関連論文リスト
- Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。
参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。
この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
論文 参考訳(メタデータ) (2024-05-09T07:36:08Z) - On Generative Agents in Recommendation [58.42840923200071]
Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。
各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
論文 参考訳(メタデータ) (2023-10-16T06:41:16Z) - Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。
まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。
ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
論文 参考訳(メタデータ) (2023-10-14T14:29:52Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - Intra-session Context-aware Feed Recommendation in Live Systems [35.84926743736469]
本稿では,全ビューと全クリックを同時に最大化する,セッション内コンテキスト対応フィードレコメンデーションフレームワークを提案する。
提案手法は,セッションレベルのクリックとビューのメトリクスを最適化することを目的とした,フィードレコメンデーション研究に光を当てる。
論文 参考訳(メタデータ) (2022-09-30T04:21:36Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。
我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。
4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
論文 参考訳(メタデータ) (2022-02-05T09:24:13Z) - Comprehensive Empirical Evaluation of Deep Learning Approaches for
Session-based Recommendation in E-Commerce [38.42250061908039]
セッションベースのレコメンデーションでは、リコメンデーションシステムは、同じセッション内でユーザが行ったイベントの順序をカウントして、他のアイテムを予測し、支持する。
本稿では,セッションベースレコメンデーションで使用される最先端のディープラーニングアプローチについて,包括的に評価する。
論文 参考訳(メタデータ) (2020-10-17T17:22:35Z) - Incorporating User Micro-behaviors and Item Knowledge into Multi-task
Learning for Session-based Recommendation [18.516121495514007]
セッションベースのレコメンデーション(SR)は、与えられたセッションに基づいて次に対話されたアイテムを予測することを目的としている。
ほとんどの既存のSRモデルは、あるユーザが対話するセッションにおける連続したアイテムの活用にのみ焦点をあてている。
セッションベースレコメンデーションのためのマルチタスク学習にユーザマイクロビヘイビアとアイテム知識を組み込んだ新しいSRモデルMKM-SRを提案する。
論文 参考訳(メタデータ) (2020-06-12T03:06:23Z) - Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
逐次リコメンデーションタスクのための自己指導型強化学習を提案する。
提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。
このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-10T11:18:57Z)
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。