論文の概要: Accurate Bundle Matching and Generation via Multitask Learning with Partially Shared Parameters

• arxiv url: http://arxiv.org/abs/2210.15460v1
• Date: Wed, 19 Oct 2022 09:46:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 11:54:54.306740
• Title: Accurate Bundle Matching and Generation via Multitask Learning with Partially Shared Parameters
• Title（参考訳）: 部分共有パラメータを用いたマルチタスク学習による正確なバンドルマッチングと生成
• Authors: Hyunsik Jeon, Jun-Gi Jang, Taehun Kim, U Kang
• Abstract要約: バンドルマッチングと生成の正確なアプローチである BundleMage を提案する。 本稿では,バンドルマッチングにおけるnDCGの最大6.6%,バンドル生成におけるnDCGの最大6.3倍を達成することを示す。
• 参考スコア（独自算出の注目度）: 26.86672946938231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can we recommend existing bundles to users accurately? How can we generate new tailored bundles for users? Recommending a bundle, or a group of various items, has attracted widespread attention in e-commerce owing to the increased satisfaction of both users and providers. Bundle matching and bundle generation are two representative tasks in bundle recommendation. The bundle matching task is to correctly match existing bundles to users while the bundle generation is to generate new bundles that users would prefer. Although many recent works have developed bundle recommendation models, they fail to achieve high accuracy since they do not handle heterogeneous data effectively and do not learn a method for customized bundle generation. In this paper, we propose BundleMage, an accurate approach for bundle matching and generation. BundleMage effectively mixes user preferences of items and bundles using an adaptive gate technique to achieve high accuracy for the bundle matching. BundleMage also generates a personalized bundle by learning a generation module that exploits a user preference and the characteristic of a given incomplete bundle to be completed. BundleMage further improves its performance using multi-task learning with partially shared parameters. Through extensive experiments, we show that BundleMage achieves up to 6.6% higher nDCG in bundle matching and 6.3x higher nDCG in bundle generation than the best competitors. We also provide qualitative analysis that BundleMage effectively generates bundles considering both the tastes of users and the characteristics of target bundles.
• Abstract（参考訳）: 既存のバンドルをユーザに正確に推奨するにはどうすればよいのか? ユーザ向けに新しい調整済みバンドルをどうやって生成できるのか? バンドルのリコメンデーション(あるいはさまざまなアイテムのグループ)は、ユーザとプロバイダの満足度の増加により、電子商取引において広く注目を集めている。 bundle matching と bundle generation は bundle recommendation の 2 つの代表的なタスクである。 バンドルマッチングタスクは、既存のバンドルをユーザと正しくマッチングし、バンドル生成は、ユーザが好む新しいバンドルを生成する。 最近の多くの研究でバンドルレコメンデーションモデルが開発されているが、不均一なデータを効果的に扱わず、カスタマイズしたバンドル生成の手法を学ばないため、精度は高くない。 本稿では,バンドルマッチングと生成のための正確なアプローチである BundleMage を提案する。 BundleMageは、適応ゲート技術を用いて、アイテムとバンドルのユーザの好みを効果的に混合し、バンドルマッチングの高精度を実現する。 BundleMageはまた、ユーザ好みと完了すべき不完全なバンドルの特性を利用する生成モジュールを学習することで、パーソナライズされたバンドルを生成する。 bundlemageは、部分的に共有パラメータを持つマルチタスク学習によるパフォーマンスをさらに向上させる。 広汎な実験により,バンドルマッチングでは最大6.6%,バンドル生成では最大6.3倍のNDCGが得られることがわかった。 また,バンドルメージがユーザの嗜好と対象バンドルの特性の両方を考慮したバンドルを効果的に生成する質的分析を行う。

関連論文リスト

• A Survey on Bundle Recommendation: Methods, Applications, and Challenges [20.550845591685604]
  この調査は、バンドルレコメンデーションに関する包括的なレビューを提供する。 我々は、様々なアプリケーションドメインからのバンドル戦略、すなわち識別的および生成的バンドルレコメンデーションに基づいて、それを2つのカテゴリに分類する。 本稿では,本研究の課題を論じ,バンドルレコメンデーション分野における将来的な方向性を明らかにするとともに,研究者や実践者にとって有用なリソースとなることを目的とする。
  論文  参考訳（メタデータ） (2024-11-01T03:43:50Z)
• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• Non-autoregressive Personalized Bundle Generation [39.83349922956341]
  本稿では,非自己回帰機構によるバンドル生成と,BundleNATという新しいエンコーダデコーダフレームワークの設計を提案する。 本稿では,事前学習手法とグラフニューラルネットワークを用いて,ユーザの好みや項目ベースの互換性情報を完全に埋め込むことを提案する。 次に、所望のバンドルを直接ワンショットで出力できる置換同変復号アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-06-11T03:44:17Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• Bundle MCR: Towards Conversational Bundle Recommendation [34.546239288274634]
  本稿では,Bundle MCRという新しい推薦タスクを提案する。 本稿ではまず,複数のエージェントを持つMarkov Decision Processs (MDP) として Bundle MCR を定式化するための新しいフレームワークを提案する。 本フレームワークでは,(1)推薦項目,(2)質問,(3)バンドル対応会話状態に基づく会話管理のためのモデルアーキテクチャである Bundle Bert (Bunt) を提案する。
  論文  参考訳（メタデータ） (2022-07-26T03:28:42Z)
• Multi-view Intent Disentangle Graph Networks for Bundle Recommendation [20.327669134286896]
  MIDGN(Multi-view Intent Disentangle Graph Networks)と呼ばれる新しいモデルを提案する。 ユーザの意図や関連項目の多様性を、より細かい粒度で正確にかつ包括的に把握することができる。 2つのベンチマークデータセットで実施された実験では、MIDGNは最先端の手法をそれぞれ10.7%、26.8%上回った。
  論文  参考訳（メタデータ） (2022-02-23T11:13:11Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)
• Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
  既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。 本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-07T13:48:26Z)

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。