論文の概要: Reusable Self-Attention-based Recommender System for Fashion
- arxiv url: http://arxiv.org/abs/2211.16366v1
- Date: Tue, 29 Nov 2022 16:47:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 18:00:56.116234
- Title: Reusable Self-Attention-based Recommender System for Fashion
- Title（参考訳）: ファッションのための再使用型自己注意型レコメンダシステム
- Authors: Marjan Celikik, Jacek Wasilewski, Sahar Mbarek, Pablo Celayes, Pierre
Gagliardi, Duy Pham, Nour Karessli, Ana Peleteiro Ramallo
- Abstract要約: 再利用可能な注意に基づくファッション推薦アルゴリズム(AFRA)を提案する。
時間的および文脈的な情報を活用して、短期および長期の顧客の嗜好に対処します。
1)個人別フィード、2)スタイル別レコメンデーション、3)類似アイテムレコメンデーション、4)最近の顧客行動にインスパイアされたインセッションレコメンデーション。
- 参考スコア（独自算出の注目度）: 1.978884131103313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A large number of empirical studies on applying self-attention models in the
domain of recommender systems are based on offline evaluation and metrics
computed on standardized datasets, without insights on how these models perform
in real life scenarios. Moreover, many of them do not consider information such
as item and customer metadata, although deep-learning recommenders live up to
their full potential only when numerous features of heterogeneous types are
included. Also, typically recommendation models are designed to serve well only
a single use case, which increases modeling complexity and maintenance costs,
and may lead to inconsistent customer experience. In this work, we present a
reusable Attention-based Fashion Recommendation Algorithm (AFRA), that utilizes
various interaction types with different fashion entities such as items (e.g.,
shirt), outfits and influencers, and their heterogeneous features. Moreover, we
leverage temporal and contextual information to address both short and
long-term customer preferences. We show its effectiveness on outfit
recommendation use cases, in particular: 1) personalized ranked feed; 2) outfit
recommendations by style; 3) similar item recommendation and 4) in-session
recommendations inspired by most recent customer actions. We present both
offline and online experimental results demonstrating substantial improvements
in customer retention and engagement.
- Abstract（参考訳）: レコメンダシステムのドメインにセルフアテンションモデルを適用するための多くの実証研究は、これらのモデルが実際のシナリオでどのように機能するかについての洞察なしに、標準データセットで計算されたオフライン評価とメトリクスに基づいている。
さらに、商品や顧客のメタデータなどの情報を考慮しないことが多いが、ディープラーニングの推奨者は、多種多様なタイプの特徴が多数含まれている場合にのみ、その潜在能力を最大限に発揮している。
また、一般的にレコメンデーションモデルは、モデリングの複雑さとメンテナンスコストを増大させ、一貫性のない顧客エクスペリエンスをもたらす、単一のユースケースのみにうまく機能するように設計されています。
本研究では,様々なファッションエンティティ(シャツ,衣装,インフルエンサーなど)とのさまざまなインタラクション型と,それらの不均一な特徴を利用する,再利用可能な注意型ファッションレコメンデーションアルゴリズム(afra)を提案する。
さらに,短期的および長期的な顧客嗜好に対応するために,時間的および文脈的情報を活用する。
特に衣料品推薦の事例において有効性を示す。
1)パーソナライズされたランク付けフィード
2 服装の推奨は様式により行う。
3)類似商品の推薦等
4) 最新の顧客行動にインスパイアされたインセッションレコメンデーション。
顧客維持とエンゲージメントを大幅に改善したオフラインとオンラインの両方の実験結果を示す。
関連論文リスト
- Consistency Regularization for Complementary Clothing Recommendations [4.698072627654264]
本稿では,ベイジアンパーソナライズランキング(CR-BPR)の一貫性正規化モデルの開発について報告する。
これは、既存の補完的な衣服推薦手法の欠点、すなわち、多モードデータの多様な特徴尺度によって引き起こされる限定された一貫性と偏りのある学習に対処する。
CR-BPRモデルの有効性は、2つのベンチマークデータセットを含む詳細な分析によって検証された。
論文 参考訳（メタデータ） (2024-11-19T07:30:07Z) - Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential
Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。
Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文 参考訳（メタデータ） (2024-01-12T15:26:40Z) - Reusable Self-Attention Recommender Systems in Fashion Industry
Applications [0.0]
本研究では,最大30%のユーザ保持率の向上を示すライブ実験結果を示す。
ファッションインスピレーションのユースケースとして、衣料品のランク付け、衣料品のレコメンデーション、リアルタイムのパーソナライズされた衣料品の創出などに着目する。
論文 参考訳（メタデータ） (2023-01-17T10:00:17Z) - Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。
本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。
最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
論文 参考訳（メタデータ） (2023-01-13T06:24:33Z) - 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) - Recommendation with User Active Disclosing Willingness [20.306413327597603]
本研究では,ユーザが異なる行動を公開する上で,その「意志」を示すことを許される,新しい推薦パラダイムについて検討する。
我々は,推薦品質とユーザ開示意欲のバランスをとる上で,モデルの有効性を示すため,広範囲な実験を行った。
論文 参考訳（メタデータ） (2022-10-25T04:43:40Z) - PARSRec: Explainable Personalized Attention-fused Recurrent Sequential
Recommendation Using Session Partial Actions [0.5801044612920815]
共通のパターンと個人の行動に依存したアーキテクチャを提案する。
Nielsen Consumer Panel データセットの実証結果は,提案手法が最大27.9%のパフォーマンス向上を達成したことを示唆している。
論文 参考訳（メタデータ） (2022-09-16T12:07:43Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳（メタデータ） (2020-05-23T08:56:37Z) - Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
論文 参考訳（メタデータ） (2020-03-11T16:17:08Z)
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。