論文の概要: Semi-supervised Adversarial Learning for Complementary Item Recommendation

• arxiv url: http://arxiv.org/abs/2303.05812v1
• Date: Fri, 10 Mar 2023 09:39:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 15:32:25.331724
• Title: Semi-supervised Adversarial Learning for Complementary Item Recommendation
• Title（参考訳）: 補足項目推薦のための半教師付き学習
• Authors: Koby Bibas, Oren Sar Shalom, Dietmar Jannach
• Abstract要約: オンラインオークションサイトなど一部のオンラインマーケットプレースでは、常に新しいアイテムがカタログに追加されている。 項目側情報とラベル付き補完項目ペアの両方を活用する新しい手法を提案する。 3つのeコマースデータセットの実験から,本手法が有効であることが示された。
• 参考スコア（独自算出の注目度）: 5.5174379874002435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complementary item recommendations are a ubiquitous feature of modern e-commerce sites. Such recommendations are highly effective when they are based on collaborative signals like co-purchase statistics. In certain online marketplaces, however, e.g., on online auction sites, constantly new items are added to the catalog. In such cases, complementary item recommendations are often based on item side-information due to a lack of interaction data. In this work, we propose a novel approach that can leverage both item side-information and labeled complementary item pairs to generate effective complementary recommendations for cold items, i.e., for items for which no co-purchase statistics yet exist. Given that complementary items typically have to be of a different category than the seed item, we technically maintain a latent space for each item category. Simultaneously, we learn to project distributed item representations into these category spaces to determine suitable recommendations. The main learning process in our architecture utilizes labeled pairs of complementary items. In addition, we adopt ideas from Cycle Generative Adversarial Networks (CycleGAN) to leverage available item information even in case no labeled data exists for a given item and category. Experiments on three e-commerce datasets show that our method is highly effective.
• Abstract（参考訳）: 補完的なアイテムレコメンデーションは、現代のeコマースサイトのユビキタスな機能である。 このようなリコメンデーションは、共同購入統計のような協調的なシグナルに基づく場合、非常に効果的である。 しかし、特定のオンラインマーケットプレイス、例えばオンラインオークションサイトでは、カタログに常に新しいアイテムが追加されている。 このような場合、補完的な項目レコメンデーションは、インタラクションデータの欠如により、アイテム側の情報に基づいて行われることが多い。 本研究では,商品の副情報とラベル付き相補的項目ペアを併用し,コールドアイテム,すなわち共購入統計が存在しない項目に対して効果的な相補的レコメンデーションを生成する新しい手法を提案する。 通常、相補的なアイテムはシードアイテムとは異なるカテゴリでなければならないので、技術的には各カテゴリの潜在空間を維持します。 同時に、これらのカテゴリ空間に分散アイテム表現を投影し、適切な推奨を決定することを学ぶ。 アーキテクチャにおける主要な学習プロセスは、ラベル付き補完項目のペアを利用する。 また,CycleGAN(Cycle Generative Adversarial Networks)のアイデアを取り入れ,特定の項目やカテゴリにラベル付きデータが存在しない場合でも利用可能な項目情報を活用する。 3つのeコマースデータセットの実験から,本手法が有効であることが示された。

関連論文リスト

• Exploring Fine-grained Retail Product Discrimination with Zero-shot Object Classification Using Vision-Language Models [50.370043676415875]
  スマートリテールアプリケーションでは、多数の製品とその頻繁なターンオーバーは信頼性の高いゼロショットオブジェクト分類方法を必要とする。 我々は28の異なる製品カテゴリからなるMIMEXデータセットを紹介した。 我々は、提案したMIMEXデータセット上で、最先端ビジョン言語モデル(VLM)のゼロショットオブジェクト分類性能をベンチマークする。
  論文  参考訳（メタデータ） (2024-09-23T12:28:40Z)
• Leveraging User-Generated Reviews for Recommender Systems with Dynamic Headers [5.464901224450247]
  電子商取引プラットフォームは、顧客のショッピング上の関心を満たすための膨大なアイテムカタログを持っている。 学術文献では、これらのカルーセルの項目のランク付けとリコールセットの生成と向上のために多くのモデルが提案されている。 本研究は,これらのカルーセルのヘッダ生成プロセスをカスタマイズするための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-11T21:18:21Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Product Information Extraction using ChatGPT [69.12244027050454]
  本稿では,製品記述から属性/値対を抽出するChatGPTの可能性について検討する。 以上の結果から,ChatGPTは事前学習した言語モデルに類似した性能を達成できるが,微調整を行うにはトレーニングデータや計算処理がはるかに少ないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-23T09:30:01Z)
• 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)
• 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)
• Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce [67.6615871959902]
  電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。 私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。 提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
  論文  参考訳（メタデータ） (2021-10-18T10:02:15Z)
• Mining Latent Structures for Multimedia Recommendation [46.70109406399858]
  本稿では,マルチモーダル再圧縮のためのLATent sTructureマイニング手法を提案する。 各モダリティの項目構造を学び、複数のモダリティを集約して潜在アイテムグラフを得る。 学習した潜在グラフに基づいてグラフ畳み込みを行い、アイテム表現に高次項目親和性を明示的に注入する。
  論文  参考訳（メタデータ） (2021-04-19T03:50:24Z)
• Exploiting Knowledge Graphs for Facilitating Product/Service Discovery [1.2691047660244332]
  本研究は,データ分類に教師なしアプローチを採用することにより,データWeb上でのeコマースのための費用対効果のソリューションを提案する。 提案アーキテクチャでは,Web言語OWLで利用可能な製品について記述し,それをトリプルストアに格納する。 特定の製品のユーザ入力仕様は、利用可能な製品カテゴリと一致し、知識グラフを生成する。
  論文  参考訳（メタデータ） (2020-10-11T10:22:10Z)
• Large-scale Real-time Personalized Similar Product Recommendations [28.718371564543517]
  製品類似性とリアルタイムユーザ興味をモデル化するリアルタイムパーソナライズアルゴリズムを提案する。 本手法は,実世界のeコマースシナリオにおいて,アドカート数に対する10%の改善を実現する。
  論文  参考訳（メタデータ） (2020-04-12T23:16:14Z)

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。