論文の概要: Personalized Category Frequency prediction for Buy It Again recommendations

• arxiv url: http://arxiv.org/abs/2308.01195v1
• Date: Mon, 24 Jul 2023 18:38:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-06 11:04:07.008290
• Title: Personalized Category Frequency prediction for Buy It Again recommendations
• Title（参考訳）: 購入のためのパーソナライズされたカテゴリー周波数予測
• Authors: Amit Pande, Kunal Ghosh, Rankyung Park
• Abstract要約: BIAレコメンデーションは、ユーザー体験とサイトのエンゲージメントを改善するために、小売業者にとって不可欠である。 本稿では,カテゴリ内のパーソナライズされたカテゴリモデルとパーソナライズされたアイテムモデルからなる階層型PCICモデルを提案する。 1億のゲストと300万のアイテムからなる大規模なデータセット上で、PCICをスケールし、トレーニングすることができました。
• 参考スコア（独自算出の注目度）: 0.5762345156477737
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Buy It Again (BIA) recommendations are crucial to retailers to help improve user experience and site engagement by suggesting items that customers are likely to buy again based on their own repeat purchasing patterns. Most existing BIA studies analyze guests personalized behavior at item granularity. A category-based model may be more appropriate in such scenarios. We propose a recommendation system called a hierarchical PCIC model that consists of a personalized category model (PC model) and a personalized item model within categories (IC model). PC model generates a personalized list of categories that customers are likely to purchase again. IC model ranks items within categories that guests are likely to consume within a category. The hierarchical PCIC model captures the general consumption rate of products using survival models. Trends in consumption are captured using time series models. Features derived from these models are used in training a category-grained neural network. We compare PCIC to twelve existing baselines on four standard open datasets. PCIC improves NDCG up to 16 percent while improving recall by around 2 percent. We were able to scale and train (over 8 hours) PCIC on a large dataset of 100M guests and 3M items where repeat categories of a guest out number repeat items. PCIC was deployed and AB tested on the site of a major retailer, leading to significant gains in guest engagement.
• Abstract（参考訳）: Buy It Again (BIA)レコメンデーションは、リピート購入パターンに基づいて、顧客が再び購入する可能性のあるアイテムを提案することによって、ユーザーエクスペリエンスとサイトのエンゲージメントを向上させるために、小売業者にとって不可欠である。 既存のBIA研究の多くは、アイテムの粒度で客のパーソナライズされた行動を分析する。 このようなシナリオでは、カテゴリベースのモデルの方が適切かもしれない。 本研究では,カテゴリー内におけるパーソナライズドカテゴリーモデル(pcモデル)とパーソナライズドアイテムモデル(icモデル)からなる階層型pcicモデルと呼ばれる推薦システムを提案する。 PCモデルは、顧客が再び購入する可能性のあるカテゴリのパーソナライズされたリストを生成する。 ICモデルは、ゲストがカテゴリー内で消費する可能性のあるカテゴリにアイテムをランク付けする。 階層型PCICモデルは、生存モデルを用いて製品の一般消費率をキャプチャする。 消費傾向は時系列モデルを用いて把握される。 これらのモデルから派生した特徴は、カテゴリ粒度のニューラルネットワークのトレーニングに使用される。 4つの標準オープンデータセット上で,PCICを既存のベースライン12と比較する。 PCICはNDCGを最大16%改善し、リコールを約2%改善した。 ゲストアウト回数を繰り返す項目を繰り返す,1億件のゲストと3百件の項目からなる大規模なデータセット上で,PCICのスケールアップとトレーニングを8時間以上行うことができたのです。 PCICが配備され、ABは大手小売店のサイトでテストを行い、ゲストエンゲージメントが大幅に向上した。

関連論文リスト

• General Preference Modeling with Preference Representations for Aligning Language Models [51.14207112118503]
  我々は、複雑な嗜好構造を効率的に捉えるために、応答を潜在空間に埋め込んだ選好表現学習を導入する。 また、人間からのフィードバックから報酬に基づく強化学習を一般化する嗜好スコアに基づく一般選好最適化(GPO)を提案する。 提案手法は,基礎モデルの微妙な人的価値との整合性を高めることができる。
  論文  参考訳（メタデータ） (2024-10-03T04:22:55Z)
• Multi-output Headed Ensembles for Product Item Classification [0.9053163124987533]
  本稿では,eコマースカタログを対象としたディープラーニングに基づく分類モデルフレームワークを提案する。 我々は、ロバストな業界標準ベースラインモデルに対する改善を示す。 また,ユーザセッションを用いたモデル性能評価手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T01:23:36Z)
• Boosting Long-tailed Object Detection via Step-wise Learning on Smooth-tail Data [60.64535309016623]
  カテゴリの長い尾の分布がスムーズに減衰し、ヘッドクラスに対するバイアスを補正するスムーズなテールデータを構築する。 我々は,ヘッドクラス支配的なリプレイデータに基づいて,事前学習したモデルのクラスに依存しないモジュールを微調整する。 我々は、すべてのカテゴリの正確な検出を保証するため、トップクラスエキスパートモデルから知識を伝達しながら、テールクラス支配的なリプレイデータ上で統一モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-22T08:53:50Z)
• Visual Prompt Based Personalized Federated Learning [83.04104655903846]
  pFedPTと呼ばれる画像分類タスクのための新しいPFLフレームワークを提案し、クライアントのローカルデータ配信情報を暗黙的に表現するためにパーソナライズされた視覚的プロンプトを利用する。 CIFAR10とCIFAR100データセットの実験では、pFedPTは様々な設定でいくつかの最先端(SOTA)PFLアルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2023-03-15T15:02:15Z)
• Large-scale learning of generalised representations for speaker recognition [52.978310296712834]
  多様なシナリオで使用される話者認識モデルを開発した。 いくつかの既存のデータセットを組み合わせた新しいトレーニングデータ構成について検討する。 帰納バイアスの少ない MFA-Conformer が最良を一般化する。
  論文  参考訳（メタデータ） (2022-10-20T03:08:18Z)
• Text Classification for Predicting Multi-level Product Categories [0.0]
  オンラインショッピングプラットフォームでは、製品の詳細な分類がユーザナビゲーションを促進する。 本研究では,食品の商品名分類に焦点をあてる。
  論文  参考訳（メタデータ） (2021-09-02T17:00:05Z)
• Click-Through Rate Prediction Using Graph Neural Networks and Online Learning [0.0]
  CTR予測精度のわずかな改善は、広告業界に数百万ドルの収益を追加すると言及されています。 このプロジェクトは、グラフニューラルネットワークとオンライン学習アルゴリズムを使用したCTR予測器の構築に関心がある。
  論文  参考訳（メタデータ） (2021-05-09T01:35:49Z)
• 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)
• Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network [0.0]
  消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。 Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
  論文  参考訳（メタデータ） (2020-10-14T11:00:00Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)
• 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。