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

• Unpacking DPO and PPO: Disentangling Best Practices for Learning from Preference Feedback [110.16220825629749]
  嗜好フィードバックからの学習は、現代言語モデルの生成品質と性能を改善するための重要なステップとして現れてきた。 本研究では、嗜好データ、学習アルゴリズム、報酬モデル、政策訓練プロンプトという、嗜好に基づく学習の4つの側面を特定する。 以上の結果から,すべての側面がパフォーマンス上重要であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-13T16:17:21Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• 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)
• 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。