論文の概要: A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data

• arxiv url: http://arxiv.org/abs/2211.02533v2
• Date: Sat, 8 Apr 2023 15:27:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 21:42:22.972789
• Title: A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data
• Title（参考訳）: 弱教師付き顧客行動データを含む変圧器型代替レコメンデーションモデル
• Authors: Wenting Ye, Hongfei Yang, Shuai Zhao, Haoyang Fang, Xingjian Shi, Naveen Neppalli
• Abstract要約: 提案されたモデルは、6つの言語で11のマーケットプレースのための大規模なEコマースウェブサイトにデプロイされている。 提案モデルにより,オンラインA/B実験により,収益が19%向上することが実証された。
• 参考スコア（独自算出の注目度）: 7.427088261927881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The substitute-based recommendation is widely used in E-commerce to provide better alternatives to customers. However, existing research typically uses the customer behavior signals like co-view and view-but-purchase-another to capture the substitute relationship. Despite its intuitive soundness, we find that such an approach might ignore the functionality and characteristics of products. In this paper, we adapt substitute recommendation into language matching problem by taking product title description as model input to consider product functionality. We design a new transformation method to de-noise the signals derived from production data. In addition, we consider multilingual support from the engineering point of view. Our proposed end-to-end transformer-based model achieves both successes from offline and online experiments. The proposed model has been deployed in a large-scale E-commerce website for 11 marketplaces in 6 languages. Our proposed model is demonstrated to increase revenue by 19% based on an online A/B experiment.
• Abstract（参考訳）: 代用品ベースのレコメンデーションは、顧客に対するより良い代替手段を提供するために、Eコマースで広く使われている。 しかし、既存の研究は通常、co-viewやview-but-purchase-anotherといった顧客の行動信号を使用して代替関係を捉える。 直感的な音質にもかかわらず、このようなアプローチは製品の機能や特性を無視する可能性がある。 本稿では,製品名記述をモデル入力として,製品機能を考慮した言語マッチング問題に代用レコメンデーションを適用する。 生産データから得られた信号を非ノイズ化するための新しい変換法を考案する。 さらに,工学的視点から多言語サポートについて考察する。 提案するエンド・ツー・エンドのトランスフォーマーモデルは,オフライン実験とオンライン実験の両方で成功をおさめている。 提案モデルは,6言語11のマーケットプレースを対象に,大規模なeコマースwebサイトに展開されている。 提案モデルでは,オンラインA/B実験により,収益が19%増加することを示した。

関連論文リスト

• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Leveraging Large Language Models for Enhanced Product Descriptions in eCommerce [6.318353155416729]
  本稿では,LAMA 2.0 7B言語モデルを用いた製品記述生成の自動化手法を提案する。 私たちはこのモデルを、最大のeコマースプラットフォームの1つであるWalmartの真正な製品記述のデータセットでトレーニングします。 以上の結果から,システムはスケーラブルであるだけでなく,製品記述作成に関わる人的負担を大幅に削減することが明らかとなった。
  論文  参考訳（メタデータ） (2023-10-24T00:55:14Z)
• Transformer Choice Net: A Transformer Neural Network for Choice Prediction [6.6543199581017625]
  我々は,複数の選択を予測できるニューラルネットワークアーキテクチャであるTransformer Choice Netを開発した。 トランスフォーマーネットワークは、顧客の特徴やアイテムだけでなく、コンテキストも考慮し、このタスクに特に適していることがわかりました。 本アーキテクチャは,文献の先行するモデルと比較して,一様に優れた予測性能を示す。
  論文  参考訳（メタデータ） (2023-10-12T20:54:10Z)
• Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
  グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。 我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
  論文  参考訳（メタデータ） (2023-06-07T23:24:50Z)
• Learning to Diversify for Product Question Generation [68.69526529887607]
  本稿では,T5の事前学習型トランスフォーマー・デコーダモデルについて述べる。 本稿では,トランスフォーマーモデルによって学習された言語を豊かにするための,新たな学習・多様化(LTD)手法を提案する。
  論文  参考訳（メタデータ） (2022-07-06T09:26:41Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• 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)
• Product1M: Towards Weakly Supervised Instance-Level Product Retrieval via Cross-modal Pretraining [108.86502855439774]
  弱教師付きマルチモーダル・インスタンスレベルの製品検索を目的とした,より現実的な設定について検討する。 実世界のインスタンスレベルの検索において,最も大規模なマルチモーダル化粧品データセットであるProduct1Mをコントリビュートする。 ケースレベルの予測検索(CAPTURE)のためのクロスモーダル・コントラサシブ・プロダクト・トランスフォーマーという新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-07-30T12:11:24Z)
• 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)
• Personalized Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
  電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。 データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
  論文  参考訳（メタデータ） (2021-02-11T17:58:51Z)

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。