論文の概要: G-STO: Sequential Main Shopping Intention Detection via
Graph-Regularized Stochastic Transformer
- arxiv url: http://arxiv.org/abs/2306.14314v1
- Date: Sun, 25 Jun 2023 19:02:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 15:32:57.975529
- Title: G-STO: Sequential Main Shopping Intention Detection via
Graph-Regularized Stochastic Transformer
- Title（参考訳）: G-STO:グラフ正規化確率変換器による逐次メインショッピングインテンション検出
- Authors: Yuchen Zhuang, Xin Shen, Yan Zhao, Chaosheng Dong, Ming Wang, Jin Li,
Chao Zhang
- Abstract要約: 主なショッピング意図の検出領域は学術文献で未検討のままである。
我々は,グローバルリレーショナルグラフを正規化の事前知識として開発し,関連するショッピング意図を分布的に近接させることを可能にした。
我々は,3つの実世界のデータセット上でのショッピング意図同定モデルの評価を行った。
- 参考スコア（独自算出の注目度）: 20.415439583899847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sequential recommendation requires understanding the dynamic patterns of
users' behaviors, contexts, and preferences from their historical interactions.
Most existing works focus on modeling user-item interactions only from the item
level, ignoring that they are driven by latent shopping intentions (e.g.,
ballpoint pens, miniatures, etc). The detection of the underlying shopping
intentions of users based on their historical interactions is a crucial aspect
for e-commerce platforms, such as Amazon, to enhance the convenience and
efficiency of their customers' shopping experiences. Despite its significance,
the area of main shopping intention detection remains under-investigated in the
academic literature. To fill this gap, we propose a graph-regularized
stochastic Transformer method, G-STO. By considering intentions as sets of
products and user preferences as compositions of intentions, we model both of
them as stochastic Gaussian embeddings in the latent representation space.
Instead of training the stochastic representations from scratch, we develop a
global intention relational graph as prior knowledge for regularization,
allowing relevant shopping intentions to be distributionally close. Finally, we
feed the newly regularized stochastic embeddings into Transformer-based models
to encode sequential information from the intention transitions. We evaluate
our main shopping intention identification model on three different real-world
datasets, where G-STO achieves significantly superior performances to the
baselines by 18.08% in Hit@1, 7.01% in Hit@10, and 6.11% in NDCG@10 on average.
- Abstract（参考訳）: 逐次的なレコメンデーションでは、ユーザーの行動、コンテキスト、好みの動的パターンを過去のインタラクションから理解する必要がある。
既存の作品のほとんどはアイテムレベルからのみユーザーとアイテムのインタラクションをモデル化することにフォーカスしており、潜在的なショッピング意図(例えばボールペン、ミニチュアなど)によって駆動されていることを無視している。
amazonのようなeコマースプラットフォームにとって、顧客のショッピング体験の利便性と効率性を高めるために、ユーザーの歴史的相互作用に基づくショッピング意図の検出は重要な側面である。
その重要性にもかかわらず、主要なショッピング意図の検出領域は学術文献では未解明のままである。
このギャップを埋めるために,グラフ正規化確率変換器G-STOを提案する。
意図を製品の集合として、ユーザの嗜好を意図の合成として考えることにより、それらの両方を潜在表現空間における確率的ガウス埋め込みとしてモデル化する。
確率的表現をゼロから訓練する代わりに、正規化の事前知識としてグローバルな意図関係グラフを構築し、関連するショッピング意図を分布的に近接させる。
最後に,トランスフォーマーモデルに正規化された確率埋め込みを投入し,意図的遷移から逐次情報を符号化する。
G-STOはHit@1では18.08%,Hit@10では7.01%,NDCG@10では6.11%,ベースラインよりもはるかに優れたパフォーマンスを実現している。
関連論文リスト
- Stanceformer: Target-Aware Transformer for Stance Detection [59.69858080492586]
スタンス検出は、テキストで表現されたスタンスを特定の主題やターゲットに向けて識別する。
以前の作業は、ターゲットを効果的に優先順位付けする能力に欠ける既存のトランスフォーマーモデルに依存していた。
本稿では,学習と推論の両方において,目標に対する注意を高めるターゲット対応トランスフォーマーモデルであるStanceformerを紹介する。
論文 参考訳（メタデータ） (2024-10-09T17:24:28Z) - Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering [9.740376003100437]
本稿では,BIGCF (Bilateral Intent-Guided Graph Collaborative Filtering) に指定された新しい推薦フレームワークを提案する。
具体的には、因果的視点からユーザとイテムの相互作用を詳しく調べ、個別の意図の概念を提示する。
暗黙的なフィードバックの空間性に対抗するため、ユーザとアイテムの特徴分布はガウスベースのグラフ生成戦略を介して符号化される。
論文 参考訳（メタデータ） (2024-05-15T02:31:26Z) - Revolutionizing Retail Analytics: Advancing Inventory and Customer Insight with AI [0.0]
本稿では,最先端機械学習技術を活用した革新的なアプローチを提案する。
我々は、これらの技術を活用して小売効率と顧客エンゲージメントを向上させる、高度なスマート小売分析システム(SRAS)の構築を目指している。
論文 参考訳（メタデータ） (2024-02-24T11:03:01Z) - A Dynamic Graph Interactive Framework with Label-Semantic Injection for
Spoken Language Understanding [43.48113981442722]
本稿では,まずラベルのセマンティック情報を利用して,モデルに付加的な信号を与え,よりリッチな事前情報を与える,DGIFというフレームワークを提案する。
本稿では,ラベルセマンティクスの注入に基づく対話型グラフ構築手法を提案する。
論文 参考訳（メタデータ） (2022-11-08T05:57:46Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z) - Learning Dynamic Compact Memory Embedding for Deformable Visual Object
Tracking [82.34356879078955]
本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。
DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
論文 参考訳（メタデータ） (2021-11-23T03:07:12Z) - Dynamic Sequential Graph Learning for Click-Through Rate Prediction [29.756257920214168]
本稿では,ユーザやアイテムに関連付けられたローカルサブグラフからの協調情報を活用することで,ユーザの表現を向上する新しい手法を提案する。
実世界のCTR予測ベンチマークの結果は、DSGLによってもたらされた改善を実証している。
論文 参考訳（メタデータ） (2021-09-26T09:23:43Z) - Glance and Gaze: Inferring Action-aware Points for One-Stage
Human-Object Interaction Detection [81.32280287658486]
Glance and Gaze Network(GGNet)と呼ばれる新しいワンステージ手法を提案する。
GGNetは、一組のアクションウェアポイント(ActPoints)を目視および視線ステップで適応的にモデル化する。
検出された各インタラクションと関連する人間と対象のペアを効果的に一致させるアクションアウェア・アプローチを設計します。
論文 参考訳（メタデータ） (2021-04-12T08:01:04Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。