論文の概要: Design aesthetics recommender system based on customer profile and
wanted affect
- arxiv url: http://arxiv.org/abs/2301.10984v1
- Date: Thu, 26 Jan 2023 08:28:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 13:52:43.736880
- Title: Design aesthetics recommender system based on customer profile and
wanted affect
- Title(参考訳): 顧客プロファイルに基づくデザイン美学推薦システムと希望する影響
- Authors: Brahim Benaissa, Masakazu Kobayashi, Keita Kinoshita
- Abstract要約: 本稿では,好意的な製品デザインと希望する影響に基づいて,顧客をプロファイリングする可能性について検討する。
我々は,ディープラーニングを用いて推薦システムのコアを構成する代表的な消費者モデルを構築した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Product recommendation systems have been instrumental in online commerce
since the early days. Their development is expanded further with the help of
big data and advanced deep learning methods, where consumer profiling is
central. The interest of the consumer can now be predicted based on the
personal past choices and the choices of similar consumers. However, what is
currently defined as a choice is based on quantifiable data, like product
features, cost, and type. This paper investigates the possibility of profiling
customers based on the preferred product design and wanted affects. We
considered the case of vase design, where we study individual Kansei of each
design. The personal aspects of the consumer considered in this study were
decided based on our literature review conclusions on the consumer response to
product design. We build a representative consumer model that constitutes the
recommendation system's core using deep learning. It asks the new consumers to
provide what affect they are looking for, through Kansei adjectives, and
recommend; as a result, the aesthetic design that will most likely cause that
affect.
- Abstract(参考訳): 商品レコメンデーションシステムは、初期からオンラインコマースで活用されてきた。
彼らの開発は、消費者プロファイリングが中心となるビッグデータと高度なディープラーニング手法の助けを借りて、さらに拡大されている。
消費者の関心は、過去の個人的選択と類似した消費者の選択に基づいて予測できる。
しかし、現在選択として定義されているものは、製品の特徴、コスト、タイプなどの定量化データに基づいている。
本稿では,好意的な製品デザインと希望する影響に基づいて,顧客のプロファイリングの可能性を検討する。
我々は,それぞれのデザインの個別の感性を研究する花瓶デザインの事例について考察した。
本研究における消費者の個人的側面は,製品デザインに対する消費者の反応に関する文献レビューの結論に基づいて決定された。
ディープラーニングを用いて,レコメンデーションシステムのコアを構成する代表的消費者モデルを構築する。
新たな消費者に対して、感性形容詞を通じてどのような影響を求めているのかを指示し、その結果、その影響を引き起こす可能性のある美的デザインを推奨する。
関連論文リスト
- The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems [0.0]
本稿では,未経験項目に対するユーザの信念を収集する手法を提案する。
提案手法はMovieLensプラットフォーム上で実装され,ユーザ評価,信念,監視されたレコメンデーションを組み合わせた豊富なデータセットが得られた。
論文 参考訳(メタデータ) (2024-05-17T19:06:06Z) - UNICON: A unified framework for behavior-based consumer segmentation in
e-commerce [0.9213852038999552]
グループベースのパーソナライゼーションは、消費者セグメントのより広い共通の嗜好に基づくパーソナライゼーションの適度なレベルを提供する。
我々は,統合型ディープラーニングコンシューマセグメンテーションフレームワークであるUNICONを紹介する。
フレームワークの有効性を広く実験し、ルックアライズされたデザイナのオーディエンスとデータ駆動型スタイルセグメントを識別する。
論文 参考訳(メタデータ) (2023-09-18T14:58:13Z) - The Economics of Recommender Systems: Evidence from a Field Experiment
on MovieLens [0.0]
本研究では,映画レコメンデーションプラットフォーム上でフィールド実験を行い,レコメンデーションが消費にどのように影響するかを確認した。
消費者に商品を露出させる役割を超えて、リコメンデーションは消費を増大させる。
論文 参考訳(メタデータ) (2022-11-25T16:31:10Z) - 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) - Towards Personalized Answer Generation in E-Commerce via
Multi-Perspective Preference Modeling [62.049330405736406]
Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。
なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。
PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
論文 参考訳(メタデータ) (2021-12-27T07:51:49Z) - 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) - PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。
我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。
概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文 参考訳(メタデータ) (2021-05-04T15:23:59Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-02-16T02:08:52Z) - E-commerce Query-based Generation based on User Review [1.484852576248587]
本稿では,従来のユーザによるレビューに基づいて,ユーザの質問に対する回答を生成するための新しいセク2seqベースのテキスト生成モデルを提案する。
ユーザの質問や感情の極性が与えられた場合,関心事の側面を抽出し,過去のユーザレビューを要約した回答を生成する。
論文 参考訳(メタデータ) (2020-11-11T04:58:31Z) - Face to Purchase: Predicting Consumer Choices with Structured Facial and
Behavioral Traits Embedding [53.02059906193556]
消費者の顔の特徴と履歴に基づいて消費者の購入を予測することを提案する。
階層型埋め込みネットワークに基づく半教師付きモデルを設計し、消費者の高レベルな特徴を抽出する。
実世界のデータセットを用いた実験結果から,消費者の購買行動を予測するために,顔情報の導入による肯定的な効果が示された。
論文 参考訳(メタデータ) (2020-07-14T06:06:41Z) - Counterfactual Inference for Consumer Choice Across Many Product
Categories [6.347014958509367]
我々は,行列因数分解の確率論的モデルに基づく機械学習文献に基づく手法を構築した。
我々のモデルは、それぞれのカテゴリを独立して考える従来のモデリングアプローチよりも改善されていることを示す。
保持データを用いて、当社のモデルは、ある製品に対して最も価格に敏感な消費者を正確に識別できることを示す。
論文 参考訳(メタデータ) (2019-06-06T15:11:01Z)
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。