論文の概要: Multi-criteria recommendation systems to foster online grocery
- arxiv url: http://arxiv.org/abs/2312.08393v1
- Date: Tue, 12 Dec 2023 17:40:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 03:08:31.093342
- Title: Multi-criteria recommendation systems to foster online grocery
- Title（参考訳）: オンライン食料品育成のためのマルチクリトリアレコメンデーションシステム
- Authors: Manar Mohamed Hafez, Rebeca P. D\'iaz Redondo, Ana Fern\'andez-Vilas,
H\'ector Olivera Paz\'o
- Abstract要約: 製品を推薦する目的は、特定の製品の最も適切な指定を指定することである。
本稿では,2つの文書表現法であるback-of-words(BOW)と,ベクトルベース(Doc2Vec)と呼ばれるニューラルネットワークベースのドキュメントの組み合わせを用いて,製品データを変換する。
評価のために,各文書表現法におけるこれらの3つの基準の性能を比較し,ニューラルネットワーク(Doc2Vec)の性能が向上し,結果が完全に変更されたことを発見した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the exponential increase in information, it has become imperative to
design mechanisms that allow users to access what matters to them as quickly as
possible. The recommendation system ($RS$) with information technology
development is the solution, it is an intelligent system. Various types of data
can be collected on items of interest to users and presented as
recommendations. $RS$ also play a very important role in e-commerce. The
purpose of recommending a product is to designate the most appropriate
designation for a specific product. The major challenges when recommending
products are insufficient information about the products and the categories to
which they belong. In this paper, we transform the product data using two
methods of document representation: bag-of-words (BOW) and the neural
network-based document combination known as vector-based (Doc2Vec). We propose
three-criteria recommendation systems (product, package, and health) for each
document representation method to foster online grocery, which depends on
product characteristics such as (composition, packaging, nutrition table,
allergen, etc.). For our evaluation, we conducted a user and expert survey.
Finally, we have compared the performance of these three criteria for each
document representation method, discovering that the neural network-based
(Doc2Vec) performs better and completely alters the results.
- Abstract（参考訳）: 情報の指数的な増加に伴い、ユーザができるだけ早く重要なものにアクセスできるようにするメカニズムの設計が不可欠になっている。
情報技術開発のための推奨システム(rs$)はソリューションであり、インテリジェントなシステムである。
ユーザーの興味のある項目からさまざまな種類のデータを収集し、レコメンデーションとして提示することができる。
また、$RS$はeコマースにおいて非常に重要な役割を果たす。
製品を推薦する目的は、特定の製品の最も適切な指定を指定することである。
プロダクトを推奨する主な課題は、製品とその属するカテゴリに関する情報が不十分であることだ。
本稿では,2つの文書表現法であるback-of-words(BOW)と,ベクトルベース(Doc2Vec)と呼ばれるニューラルネットワークベースのドキュメントの組み合わせを用いて,製品データを変換する。
本稿では, 商品特性(コンポジション, 包装, 栄養食卓, アレルゲンなど)に依存する, オンライン食料品を育成するための各文書表現手法の3つの基準推薦システム(製品, パッケージ, 健康)を提案する。
評価のために,ユーザおよび専門家による調査を行った。
最後に、各文書表現法におけるこれらの3つの基準の性能を比較し、ニューラルネットワーク(Doc2Vec)がより良い性能を示し、結果を完全に変更した。
関連論文リスト
- Multi-modal Generative Models in Recommendation System [34.45328907249946]
多くのレコメンデーションシステムは、ユーザ入力をテキスト文字列やクリックや購入などの行動信号に制限する。
生成AIの出現により、ユーザーはより豊富なレベルのインタラクションを期待するようになった。
今後のレコメンデーションシステムは、製品に対するマルチモーダルな理解の恩恵を受けるだろう、と我々は主張する。
論文 参考訳（メタデータ） (2024-09-17T08:55:50Z) - Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential
Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。
Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文 参考訳（メタデータ） (2024-01-12T15:26:40Z) - Impression-Aware Recommender Systems [57.38537491535016]
新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。
研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - Multimodal Recommender Systems: A Survey [50.23505070348051]
マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。
本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。
実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
論文 参考訳（メタデータ） (2023-02-08T05:12:54Z) - A Scalable Recommendation Engine for New Users and Items [0.0]
属性(A)レコメンデーションシステム(CFB-A)による協調フィルタリング(CF)マルチアームバンド(B)
本稿では,A(A)レコメンデーションシステム(CFB-A)を用いた協調フィルタリング(CF)マルチアームバンド(B)を提案する。
MovieLensデータに対するオフラインテスト、合成データシミュレーション、オンライン食料品実験などの実証的な応用は、CFB-Aが累積平均報酬を大幅に改善することを示している。
論文 参考訳（メタデータ） (2022-09-06T14:59:00Z) - 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) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - J-Recs: Principled and Scalable Recommendation Justification [44.629590817692446]
推奨を正当化することは、ユーザの満足度と推奨の説得力を改善することが示されている。
提案手法は,任意の推奨アルゴリズムの出力に適用可能な,ポストホックの正当性を生成する方法である。
J-Recsは、さまざまな種類の製品やユーザデータに基づいて、さまざまな正当化を生成するレコメンデーションモデル非依存の手法である。
論文 参考訳（メタデータ） (2020-11-11T17:37:52Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。