論文の概要: Learning to Personalize Recommendation based on Customers' Shopping Intents

• arxiv url: http://arxiv.org/abs/2305.05279v1
• Date: Tue, 9 May 2023 09:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 19:41:28.458724
• Title: Learning to Personalize Recommendation based on Customers' Shopping Intents
• Title（参考訳）: 客の買い物意図に基づく推薦のパーソナライズを学ぶ
• Authors: Xin Shen, Jiaying Shi, Sungro Yoon, Jon Katzur, Hanbo Wang, Jin Li, Jim Chan
• Abstract要約: 本システムでは,レコメンデーションをパーソナライズするために,各顧客のハイレベルなショッピング意図を明確に識別し,活用する。 我々は,「キャンプに行く」や「ビーチパーティーの準備」など,アマゾンの顧客によって追求される様々なハイレベルな目標を自動的に識別する技術を開発した。 当社のソリューションは(21カ国14言語で)スケーラブルな方法です。
• 参考スコア（独自算出の注目度）: 6.503955510722271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the customers' high level shopping intent, such as their desire to go camping or hold a birthday party, is critically important for an E-commerce platform; it can help boost the quality of shopping experience by enabling provision of more relevant, explainable, and diversified recommendations. However, such high level shopping intent has been overlooked in the industry due to practical challenges. In this work, we introduce Amazon's new system that explicitly identifies and utilizes each customer's high level shopping intents for personalizing recommendations. We develop a novel technique that automatically identifies various high level goals being pursued by the Amazon customers, such as "go camping", and "preparing for a beach party". Our solution is in a scalable fashion (in 14 languages across 21 countries). Then a deep learning model maps each customer's online behavior, e.g. product search and individual item engagements, into a subset of high level shopping intents. Finally, a realtime ranker considers both the identified intents as well as the granular engagements to present personalized intent-aware recommendations. Extensive offline analysis ensures accuracy and relevance of the new recommendations and we further observe an 10% improvement in the business metrics. This system is currently serving online traffic at amazon.com, powering several production features, driving significant business impacts
• Abstract（参考訳）: キャンプや誕生日パーティーなど、顧客の高いレベルのショッピング意欲を理解することは、Eコマースプラットフォームにとって極めて重要であり、より関連性の高い説明可能な多様なレコメンデーションを提供することで、ショッピング体験の質を高めるのに役立つ。 しかし、こうした高級ショッピングの意図は、実用上の課題から、業界では見過ごされている。 本研究では,各顧客の高レベルの買い物意図を識別・活用し,レコメンデーションをパーソナライズするamazonの新しいシステムを紹介する。 我々は,アマゾンの顧客が追求する「キャンプに行く」「ビーチパーティーの準備」など,さまざまなハイレベルな目標を自動的に識別する手法を開発した。 私たちのソリューションはスケーラブルな方法で(21カ国14言語で)います。 次に、深層学習モデルは、各顧客のオンライン行動、例えば製品検索や個々のアイテムエンゲージメントを、高いレベルのショッピング意図のサブセットにマッピングする。 最後に、リアルタイムのランク付け者は、識別された意図と、パーソナライズされた意図を認識するレコメンデーションを示すためのきめ細かいエンゲージメントの両方を考慮する。 大規模なオフライン分析により、新たな推奨事項の正確性と関連性が保証され、ビジネスメトリクスの10%の改善がさらに観察される。 このシステムは、現在amazon.comでオンライントラフィックを提供しており、いくつかの生産機能を動かしている。

関連論文リスト

• Information Discovery in e-Commerce [97.71958017283593]
  情報検索は、特に商品やサービスとの接続において、eコマースにおいて自然な役割を担っている。 電子商取引サイトの人気が高まり、電子商取引における情報発見の研究が活発な研究分野となっている。 電子商取引における情報発見手法は主に、電子商取引検索とレコメンデーションシステムの有効性の向上に重点を置いている。
  論文  参考訳（メタデータ） (2024-10-08T07:41:01Z)
• Exploring Query Understanding for Amazon Product Search [62.53282527112405]
  問合せ理解に基づくランキング機能がどのようにランキングに影響を及ぼすかを検討する。 ランク付けのためのクエリ理解に基づくマルチタスク学習フレームワークを提案する。 本研究は,Amazon Searchにおける実世界のシステムを用いた調査・調査である。
  論文  参考訳（メタデータ） (2024-08-05T03:33:11Z)
• A BERT based Ensemble Approach for Sentiment Classification of Customer Reviews and its Application to Nudge Marketing in e-Commerce [2.2120851074630177]
  製品レビューは顧客の信頼と忠誠を改善します。 ナッジマーケティング(Nudge marketing)は、Eコマース企業が顧客をためらわずにより良い判断を下すための微妙な方法だ。
  論文  参考訳（メタデータ） (2023-11-16T14:18:24Z)
• Amazon-M2: A Multilingual Multi-locale Shopping Session Dataset for Recommendation and Text Generation [127.35910314813854]
  Amazon Multi-locale Shopping Sessionデータセット、すなわちAmazon-M2を提示します。 6つの異なるローカライズされた数百万のユーザセッションからなる、最初の多言語データセットである。 注目すべきは、データセットがパーソナライズとユーザの好みの理解を高めるのに役立つことだ。
  論文  参考訳（メタデータ） (2023-07-19T00:08:49Z)
• 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)
• 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)
• 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)
• 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)
• Mining Customers' Opinions for Online Reputation Generation and Visualization in e-Commerce Platforms [0.0]
  顧客レビューは、さまざまなオンラインショッピング体験に関する非常に貴重な情報を抽出できる、非常に豊富なデータソースです。 この論文の私の研究目標は、自然言語で表現されたオンラインレビューをマイニングすることによって、オンライン意思決定プロセス中に電子商取引の顧客に価値ある情報を自動的に提供できる評判システムを開発することです。
  論文  参考訳（メタデータ） (2021-04-05T14:46:57Z)
• OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
  本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。 提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
  論文  参考訳（メタデータ） (2021-02-02T17:29:52Z)

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。