論文の概要: Meta-Shop: Improving Item Advertisement For Small Businesses
- arxiv url: http://arxiv.org/abs/2212.01414v1
- Date: Fri, 2 Dec 2022 19:24:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 18:55:22.964693
- Title: Meta-Shop: Improving Item Advertisement For Small Businesses
- Title(参考訳): Meta-Shop:中小企業向けの改善アイテム
- Authors: Yang Shi, Guannan Liang, Young-joo Chung
- Abstract要約: 既存のRecommender Systems (RS) は、いくつかの販売履歴を持つ中小企業には効果がなかった。
本稿では,中小企業や店舗の広告パフォーマンス向上を目的としたメタラーニングに基づくRSを提案する。
- 参考スコア(独自算出の注目度): 9.092625874791041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study item advertisements for small businesses. This
application recommends prospective customers to specific items requested by
businesses. From analysis, we found that the existing Recommender Systems (RS)
were ineffective for small/new businesses with a few sales history. Training
samples in RS can be highly biased toward popular businesses with sufficient
sales and can decrease advertising performance for small businesses. We propose
a meta-learning-based RS to improve advertising performance for small/new
businesses and shops: Meta-Shop. Meta-Shop leverages an advanced meta-learning
optimization framework and builds a model for a shop-level recommendation. It
also integrates and transfers knowledge between large and small shops,
consequently learning better features in small shops. We conducted experiments
on a real-world E-commerce dataset and a public benchmark dataset. Meta-Shop
outperformed a production baseline and the state-of-the-art RS models.
Specifically, it achieved up to 16.6% relative improvement of Recall@1M and
40.4% relative improvement of nDCG@3 for user recommendations to new shops
compared to the other RS models.
- Abstract(参考訳): 本稿では,中小企業向け商品広告について検討する。
このアプリケーションは、ビジネスが要求する特定のアイテムに対して見込み客を推薦する。
分析の結果,既存Recommender Systems (RS) は,販売履歴の少ない中小企業では有効ではないことがわかった。
rsのトレーニングサンプルは、販売が十分な人気企業に対して高いバイアスを負い、中小企業の広告パフォーマンスを低下させる可能性がある。
中小企業や店舗の広告パフォーマンスを改善するメタラーニングベースのRSを提案する。
Meta-Shopは高度なメタ学習最適化フレームワークを活用し、ショップレベルのレコメンデーションのためのモデルを構築する。
また、大きな店舗と小さな店舗の間で知識を統合し、伝達し、その結果、小さな店舗でより良い特徴を学ぶ。
実世界のEコマースデータセットと公開ベンチマークデータセットの実験を行った。
Meta-Shopは生産ベースラインと最先端RSモデルを上回った。
具体的には、他のrsモデルと比較してrecall@1mの16.6%、ndcg@3の40.4%の相対的な改善を達成した。
関連論文リスト
- An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。
FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。
本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文 参考訳(メタデータ) (2024-02-02T07:25:53Z) - Salespeople vs SalesBot: Exploring the Role of Educational Value in
Conversational Recommender Systems [78.84530426424838]
既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。
このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。
私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
論文 参考訳(メタデータ) (2023-10-26T19:44:06Z) - Conversational Recommender System and Large Language Model Are Made for
Each Other in E-commerce Pre-sales Dialogue [83.54481405293951]
会話推薦システム(CRS)は、ユーザ表現を学習し、対話コンテキストに基づいて正確なレコメンデーションを提供するが、外部知識に依存している。
大規模言語モデル(LLM)は、微調整後の事前販売の対話を模倣する応答を生成するが、正確なレコメンデーションのためのドメイン固有の知識は欠如している。
本稿では,eコマース事前販売対話におけるLCMとCRSの組み合わせの有効性について検討する。
論文 参考訳(メタデータ) (2023-10-23T07:00:51Z) - Finding Lookalike Customers for E-Commerce Marketing [5.2300714255564795]
マーケティングキャンペーンのターゲット層を拡大するスケーラブルで効率的なシステムを提案する。
深層学習に基づく埋め込みモデルを用いて顧客を表現し、近隣の検索手法を用いて興味のある顧客を素早く見つける。
論文 参考訳(メタデータ) (2023-01-09T02:18:58Z) - Incorporating Customer Reviews in Size and Fit Recommendation systems
for Fashion E-Commerce [2.8360662552057323]
本稿では,顧客レビューからの情報と,顧客や製品の特徴を,サイズや適合予測に利用するための新しいアプローチを提案する。
提案手法では,F1(マクロ)スコアの1.37%~4.31%が,4つのデータセットのベースラインにまたがって改善されている。
論文 参考訳(メタデータ) (2022-08-11T16:47:25Z) - 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) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
論文 参考訳(メタデータ) (2021-11-11T05:36:39Z) - 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) - MARS-Gym: A Gym framework to model, train, and evaluate Recommender
Systems for Marketplaces [51.123916699062384]
MARS-Gymは、市場におけるレコメンデーションのための強化学習エージェントの構築と評価を行うオープンソースフレームワークである。
本稿では,Trivagoマーケットプレースデータセットにおいて,さまざまなベースラインエージェントの実装とメトリクス駆動による分析を行う。
学術研究と生産システムとのギャップを埋め、新しいアルゴリズムやアプリケーションの設計を容易にしたいと考えている。
論文 参考訳(メタデータ) (2020-09-30T16:39:31Z) - Self-supervised Learning for Large-scale Item Recommendations [18.19202958502061]
大規模なレコメンデータモデルは、巨大なカタログから最も関連性の高いアイテムを見つけ出す。
コーパスには何百万から数十億ものアイテムがあり、ユーザーはごく少数のユーザーに対してフィードバックを提供する傾向にある。
大規模項目推薦のためのマルチタスク自己教師型学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-25T06:21:43Z)
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。