論文の概要: Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations

• arxiv url: http://arxiv.org/abs/2211.14982v2
• Date: Tue, 29 Nov 2022 04:10:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 12:21:29.760895
• Title: Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations
• Title（参考訳）: 2つは1つより優れている:補完的な製品推奨のためのデュアル埋め込み
• Authors: Giorgi Kvernadze, Putu Ayu G. Sudyanti, Nishan Subedi, Mohammad Hajiaghayi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.294014185517203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embedding based product recommendations have gained popularity in recent years due to its ability to easily integrate to large-scale systems and allowing nearest neighbor searches in real-time. The bulk of studies in this area has predominantly been focused on similar item recommendations. Research on complementary item recommendations, on the other hand, still remains considerably under-explored. We define similar items as items that are interchangeable in terms of their utility and complementary items as items that serve different purposes, yet are compatible when used with one another. In this paper, we apply a novel approach to finding complementary items by leveraging dual embedding representations for products. We demonstrate that the notion of relatedness discovered in NLP for skip-gram negative sampling (SGNS) models translates effectively to the concept of complementarity when training item representations using co-purchase data. Since sparsity of purchase data is a major challenge in real-world scenarios, we further augment the model using synthetic samples to extend coverage. This allows the model to provide complementary recommendations for items that do not share co-purchase data by leveraging other abundantly available data modalities such as images, text, clicks etc. We establish the effectiveness of our approach in improving both coverage and quality of recommendations on real world data for a major online retail company. We further show the importance of task specific hyperparameter tuning in training SGNS. Our model is effective yet simple to implement, making it a great candidate for generating complementary item recommendations at any e-commerce website.
• Abstract（参考訳）: 近年,大規模なシステムに容易に統合でき,近隣の検索をリアルタイムに行えるため,埋め込みベースの製品レコメンデーションが人気を集めている。 この領域における多くの研究は、主に類似の項目の推薦に焦点を当てている。 一方,相補的項目推薦の研究は,まだ未検討のままである。 類似の項目を,有用性の観点から交換可能な項目と定義し,異なる目的に適合するが,相互に使用する場合には互換性を持つ項目として補完的項目を定義した。 本稿では,製品に対する二重埋め込み表現を活用し,補完的項目を見つけるための新しい手法を提案する。 本研究では,NLP におけるスキップグラム陰性サンプリング (SGNS) モデルにおける関連性の概念が,共購入データを用いてアイテム表現を訓練する際の相補性の概念に有効であることを示す。 実際のシナリオでは,購入データの分散が大きな課題となるため,包括範囲を拡大するために合成サンプルを用いたモデルをさらに強化する。 これにより、画像、テキスト、クリックなどの豊富なデータモダリティを活用することで、共購入データを共有しない項目に対して補完的なレコメンデーションを提供することができる。 我々は,大手オンライン小売企業において,実世界のデータに対するレコメンデーションのカバレッジと品質を向上させるためのアプローチの有効性を確立した。 さらに,SGNS訓練におけるタスク特化ハイパーパラメータチューニングの重要性を示す。 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。

関連論文リスト

• Text-Based Product Matching -- Semi-Supervised Clustering Approach [9.748519919202986]
  本稿では,半教師付きクラスタリング手法を用いた製品マッチングの新しい哲学を提案する。 実世界のデータセット上でIDECアルゴリズムを実験することにより,本手法の特性について検討する。
  論文  参考訳（メタデータ） (2024-02-01T18:52:26Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Personalized Federated Domain Adaptation for Item-to-Item Recommendation [11.65452674504235]
  アイテムツーアイテム(I2I)レコメンデーションは、ほとんどのレコメンデーションシステムにおいて重要な機能である。 グラフニューラルネットワーク(GNN)に基づくパーソナライズド・フェデレーション・モデリング・フレームワークの提案と検討を行う。 我々の重要な貢献は、近年のフェデレーションGNNと(グラフ以外の)パーソナライズされたフェデレーション学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
  論文  参考訳（メタデータ） (2023-06-05T19:06:18Z)
• Semi-supervised Adversarial Learning for Complementary Item Recommendation [5.5174379874002435]
  オンラインオークションサイトなど一部のオンラインマーケットプレースでは、常に新しいアイテムがカタログに追加されている。 項目側情報とラベル付き補完項目ペアの両方を活用する新しい手法を提案する。 3つのeコマースデータセットの実験から,本手法が有効であることが示された。
  論文  参考訳（メタデータ） (2023-03-10T09:39:18Z)
• 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)
• 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)
• 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)
• Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
  社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。 高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
  論文  参考訳（メタデータ） (2021-03-16T11:08:30Z)
• Pre-training Graph Transformer with Multimodal Side Information for Recommendation [82.4194024706817]
  本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。 我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。 The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
  論文  参考訳（メタデータ） (2020-10-23T10:30:24Z)

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。