論文の概要: Towards High-Order Complementary Recommendation via Logical Reasoning
Network
- arxiv url: http://arxiv.org/abs/2212.04966v1
- Date: Fri, 9 Dec 2022 16:27:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 15:47:11.968124
- Title: Towards High-Order Complementary Recommendation via Logical Reasoning
Network
- Title(参考訳): 論理的推論ネットワークによる高次補完勧告に向けて
- Authors: Longfeng Wu, Yao Zhou, Dawei Zhou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 19.232457960085625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complementary recommendation gains increasing attention in e-commerce since
it expedites the process of finding frequently-bought-with products for users
in their shopping journey. Therefore, learning the product representation that
can reflect this complementary relationship plays a central role in modern
recommender systems. In this work, we propose a logical reasoning network,
LOGIREC, to effectively learn embeddings of products as well as various
transformations (projection, intersection, negation) between them. LOGIREC is
capable of capturing the asymmetric complementary relationship between products
and seamlessly extending to high-order recommendations where more comprehensive
and meaningful complementary relationship is learned for a query set of
products. Finally, we further propose a hybrid network that is jointly
optimized for learning a more generic product representation. We demonstrate
the effectiveness of our LOGIREC on multiple public real-world datasets in
terms of various ranking-based metrics under both low-order and high-order
recommendation scenarios.
- Abstract(参考訳): 補完的なレコメンデーションは、買い物旅行で頻繁に商品を見つける過程を早めるため、電子商取引の注目を集めている。
したがって、この相補関係を反映できる積表現の学習は、現代の推薦システムにおいて中心的な役割を果たす。
本研究では,製品間の様々な変換(投影,交差点,否定)を効果的に学習する論理的推論ネットワークLOGIRECを提案する。
LOGIRECは製品間の非対称的な補完関係を捉え、より包括的で有意義な補完関係が製品のクエリセットで学習されるような高次のレコメンデーションにシームレスに拡張することができる。
最後に,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。
低次と高次の両方の推奨シナリオの下で、ランキングに基づく様々な指標を用いて、複数の公開現実世界データセットに対するLOGIRECの有効性を実証する。
関連論文リスト
- BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。
BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
論文 参考訳(メタデータ) (2024-02-27T09:10:41Z) - GNN-GMVO: Graph Neural Networks for Optimizing Gross Merchandise Value
in Similar Item Recommendation [12.25382490978895]
類似のアイテムレコメンデーションは、Eコマース業界における重要なタスクであり、顧客が類似した関連する選択肢を探索するのに役立つ。
従来の機械学習モデルにもかかわらず、グラフニューラルネットワーク(GNN)は製品間の類似性のような複雑な関係を理解することができる。
本稿では,GNN-GMVO(Graph Neural Network - Gross Merchandise Value)と呼ばれる新しいGNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-10-26T18:43:16Z) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳(メタデータ) (2023-08-22T04:06:56Z) - Two Is Better Than One: Dual Embeddings for Complementary Product
Recommendations [2.294014185517203]
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。
論文 参考訳(メタデータ) (2022-11-28T00:58:21Z) - Identifying Substitute and Complementary Products for Assortment
Optimization with Cleora Embeddings [0.0]
本稿では,Cleora のグラフ埋め込みアルゴリズムを用いて,商品の代替品や補材を見つける新しい手法を提案する。
提案した新しいアプローチは推奨商品の適切な選択を提供し、最小限の追加情報を必要とすると結論付けている。
論文 参考訳(メタデータ) (2022-08-10T11:56:36Z) - 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) - Towards Universal Sequence Representation Learning for Recommender
Systems [98.02154164251846]
我々はUniSRecという新しいユニバーサルシーケンス表現学習手法を提案する。
提案手法は、項目の関連記述テキストを用いて、異なる推薦シナリオ間で転送可能な表現を学習する。
我々のアプローチは、パラメータ効率のよい方法で、新しいレコメンデーションドメインやプラットフォームに効果的に移行できます。
論文 参考訳(メタデータ) (2022-06-13T07:21:56Z) - 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) - Deep Reinforcement Learning-Based Product Recommender for Online
Advertising [1.7778609937758327]
本稿では,オンライン広告のレコメンデータシステムを設計するために,価値ベースとポリシーベースのディープRLアルゴリズムを比較した。
推奨項目のクリックスルーレート(CTR)を最大化する。
論文 参考訳(メタデータ) (2021-01-30T23:05:04Z) - CRACT: Cascaded Regression-Align-Classification for Robust Visual
Tracking [97.84109669027225]
改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。
CRACは多くのベンチマークで最先端のパフォーマンスを得る。
OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
論文 参考訳(メタデータ) (2020-11-25T02:18:33Z)
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。