論文の概要: Reusable Self-Attention Recommender Systems in Fashion Industry Applications

• arxiv url: http://arxiv.org/abs/2301.06777v1
• Date: Tue, 17 Jan 2023 10:00:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 14:27:20.306132
• Title: Reusable Self-Attention Recommender Systems in Fashion Industry Applications
• Title（参考訳）: ファッション産業における再利用可能なセルフアテンションレコメンダシステム
• Authors: Marjan Celikik, Jacek Wasilewski, Ana Peleteiro Ramallo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• 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. Moreover, many of them do not consider side information such as item and customer metadata although deep-learning recommenders live up to their full potential only when numerous features of heterogeneous type are included. Also, normally the model is used only for a single use case. Due to these shortcomings, even if relevant, previous works are not always representative of their actual effectiveness in real-world industry applications. In this talk, we contribute to bridging this gap by presenting live experimental results demonstrating improvements in user retention of up to 30\%. Moreover, we share our learnings and challenges from building a re-usable and configurable recommender system for various applications from the fashion industry. In particular, we focus on fashion inspiration use-cases, such as outfit ranking, outfit recommendation and real-time personalized outfit generation.
• Abstract（参考訳）: レコメンダシステムの領域に自己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、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,多種多種多種多様な特徴を含む場合のみ,深層学習の推薦者が最大限の可能性を秘めているにも関わらず,商品や顧客メタデータなどの側面情報を考慮していないものも多い。 また、通常、モデルは単一のユースケースでのみ使用される。 これらの欠点のため、たとえ関連性があったとしても、以前の作品が現実の業界アプリケーションにおける実際の効果を表すとは限らない。 本稿では,このギャップを埋めることに寄与し,最大30%のユーザ保持率の改善を示すライブ実験結果を示す。 さらに,ファッション業界からのさまざまなアプリケーションに対して,再利用可能な構成可能なレコメンダシステムの構築から学んだことや課題についても紹介する。 特に、衣装のランキング、服装推薦、リアルタイムパーソナライズされた衣装生成など、ファッションのインスピレーションのユースケースにフォーカスしています。

関連論文リスト

• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• 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)
• Pre-trained Recommender Systems: A Causal Debiasing Perspective [19.712997823535066]
  本研究では,異なるドメインから抽出した汎用ユーザ・イテムインタラクションデータをトレーニングすることで,ユニバーサルインタラクションパターンをキャプチャする汎用レコメンデータを開発する。 実験により,提案モデルにより,ゼロショットと少数ショットの学習環境での推薦性能が大幅に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-30T03:37:32Z)
• Reusable Self-Attention-based Recommender System for Fashion [1.978884131103313]
  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。
  論文  参考訳（メタデータ） (2022-11-29T16:47:20Z)
• When to Use What: An In-Depth Comparative Empirical Analysis of OpenIE Systems for Downstream Applications [0.0]
  本稿では、ニューラルネットワークOpenIEモデル、トレーニングセット、ベンチマークに関するアプリケーション中心の実証調査を紹介する。 異なるモデルとデータセットによる異なる仮定は、統計的にパフォーマンスに有意な影響を及ぼすことがわかった。
  論文  参考訳（メタデータ） (2022-11-15T15:48:27Z)
• 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)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• Perceptual Score: What Data Modalities Does Your Model Perceive? [73.75255606437808]
  モデルが入力特徴の異なる部分集合に依存する度合いを評価する指標である知覚スコアを導入する。 近年,視覚的質問応答に対するマルチモーダルモデルでは,前者よりも視覚的データを知覚しにくい傾向がみられた。 知覚スコアを使用することで、スコアをデータサブセットのコントリビューションに分解することで、モデルのバイアスを分析することもできる。
  論文  参考訳（メタデータ） (2021-10-27T12:19:56Z)
• 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)
• Fairness-Aware Online Personalization [16.320648868892526]
  個人格付けを含むオンラインパーソナライズ設定における公平性について検討する。 最初に、オンラインパーソナライゼーションが、ユーザが応答に偏っている場合、モデルが不公平に行動することを学ぶことを実証する。 次に、公正な制約の下でパーソナライズされたモデルを学習する問題を定式化し、機械学習におけるバイアスを軽減するための正規化に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:16:17Z)
• 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。