論文の概要: Tailor: Size Recommendations for High-End Fashion Marketplaces

• arxiv url: http://arxiv.org/abs/2401.01978v1
• Date: Wed, 3 Jan 2024 20:58:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-05 16:18:29.308806
• Title: Tailor: Size Recommendations for High-End Fashion Marketplaces
• Title（参考訳）: Tailor: ハイエンドファッションマーケットプレースのためのサイズ推奨
• Authors: Alexandre Candeias, Ivo Silva, Vitor Sousa, Jos\'e Marcelino
• Abstract要約: 本稿では,暗黙的な(Add2Bag)と明示的な(ReturnReason)ユーザ信号を統合する新しいシーケンス分類手法を提案する。 1つはLSTMを用いてユーザ信号を符号化し、もう1つはアテンション機構を利用する。
• 参考スコア（独自算出の注目度）: 42.042822966928576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the ever-changing and dynamic realm of high-end fashion marketplaces, providing accurate and personalized size recommendations has become a critical aspect. Meeting customer expectations in this regard is not only crucial for ensuring their satisfaction but also plays a pivotal role in driving customer retention, which is a key metric for the success of any fashion retailer. We propose a novel sequence classification approach to address this problem, integrating implicit (Add2Bag) and explicit (ReturnReason) user signals. Our approach comprises two distinct models: one employs LSTMs to encode the user signals, while the other leverages an Attention mechanism. Our best model outperforms SFNet, improving accuracy by 45.7%. By using Add2Bag interactions we increase the user coverage by 24.5% when compared with only using Orders. Moreover, we evaluate the models' usability in real-time recommendation scenarios by conducting experiments to measure their latency performance.
• Abstract（参考訳）: ハイエンドファッション市場における変化の激しいダイナミックな領域では、正確なパーソナライズされたサイズレコメンデーションの提供が重要な側面となっている。 この点に関して顧客の期待を満たすことは、満足度を確保するのに不可欠であるだけでなく、あらゆるファッション小売業者の成功の鍵となる顧客の定着を促す上でも重要な役割を果たす。 本稿では,暗黙的(add2bag)と明示的(returnreason)ユーザ信号の統合により,この問題に対処する新しいシーケンス分類手法を提案する。 1つはLSTMを用いてユーザ信号を符号化し、もう1つはアテンション機構を利用する。 私たちの最高のモデルはSFNetより優れており、精度は45.7%向上しています。 Add2Bagインタラクションを使用することで、オーダーのみを使用する場合と比較して、ユーザカバレッジが24.5%向上する。 さらに,リアルタイムレコメンデーションシナリオにおけるモデルのユーザビリティを評価するために,遅延特性の測定実験を行った。

関連論文リスト

• 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)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Intent Detection at Scale: Tuning a Generic Model using Relevant Intents [0.5461938536945723]
  本研究は,単一のジェネリックモデルとクライアント毎のインテントリストを組み合わせることで,インテント予測を多種多様なクライアントに効果的に拡張するシステムを提案する。 当社のアプローチは、クライアントに対してパーソナライズされたエクスペリエンスを提供しながら、トレーニングとメンテナンスのコストを最小限に抑え、関連する意図の変化にシームレスに対応できるようにします。 最終的なシステムは、業界固有のモデルと比較して非常に優れたパフォーマンスを示し、柔軟性と多様なクライアントニーズに対応する能力を示している。
  論文  参考訳（メタデータ） (2023-09-15T13:15:20Z)
• CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems [0.0]
  本稿では,業界最大のレコメンデーションプラットフォームであるCAM2を紹介する。 オンライン実験を通して、CAM2モデルがユーザエンゲージメントの累積を0.50%増加させることを示す。
  論文  参考訳（メタデータ） (2023-04-17T19:00:55Z)
• Reusable Self-Attention-based Recommender System for Fashion [1.978884131103313]
  再利用可能な注意に基づくファッション推薦アルゴリズム(AFRA)を提案する。 時間的および文脈的な情報を活用して、短期および長期の顧客の嗜好に対処します。 1)個人別フィード、2)スタイル別レコメンデーション、3)類似アイテムレコメンデーション、4)最近の顧客行動にインスパイアされたインセッションレコメンデーション。
  論文  参考訳（メタデータ） (2022-11-29T16:47:20Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
  そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。 さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。 実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T13:56:46Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。