論文の概要: Pfeed: Generating near real-time personalized feeds using precomputed embedding similarities

• arxiv url: http://arxiv.org/abs/2402.16073v1
• Date: Sun, 25 Feb 2024 12:06:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 15:20:53.051133
• Title: Pfeed: Generating near real-time personalized feeds using precomputed embedding similarities
• Title（参考訳）: Pfeed: 埋め込み類似性を利用したリアルタイムに近いパーソナライズフィードの生成
• Authors: Binyam Gebre, Karoliina Ranta, Stef van den Elzen, Ernst Kuiper, Thijs Baars, Tom Heskes
• Abstract要約: パーソナライズされたレコメンデーションシステムでは、埋め込みはしばしば顧客のアクションやアイテムをエンコードするために使用される。 このアプローチは2つの課題をもたらす可能性がある。1) ユーザの埋め込みは、取得した関心の多様性を制限することができ、2) それらを最新に保つためには、高価なリアルタイムインフラストラクチャが必要である。 本稿では,これらの課題を実践的,産業的に克服する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.7301470496485454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In personalized recommender systems, embeddings are often used to encode customer actions and items, and retrieval is then performed in the embedding space using approximate nearest neighbor search. However, this approach can lead to two challenges: 1) user embeddings can restrict the diversity of interests captured and 2) the need to keep them up-to-date requires an expensive, real-time infrastructure. In this paper, we propose a method that overcomes these challenges in a practical, industrial setting. The method dynamically updates customer profiles and composes a feed every two minutes, employing precomputed embeddings and their respective similarities. We tested and deployed this method to personalise promotional items at Bol, one of the largest e-commerce platforms of the Netherlands and Belgium. The method enhanced customer engagement and experience, leading to a significant 4.9% uplift in conversions.
• Abstract（参考訳）: パーソナライズされたレコメンデーションシステムでは、顧客のアクションやアイテムをエンコードするために埋め込みがよく使われ、近くの検索を用いて埋め込み空間で検索が行われる。 しかし、このアプローチは2つの課題をもたらす可能性がある。 1) ユーザ埋め込みは、取得した興味の多様性を制限でき、かつ、 2) 最新の状態を維持するためには,高価なリアルタイムインフラストラクチャが必要となる。 本稿では,これらの課題を実践的,産業的に克服する手法を提案する。 この方法は、顧客のプロファイルを動的に更新し、2分ごとにフィードを構成する。 オランダとベルギーで最大規模のeコマースプラットフォームであるBolで、プロモーションアイテムをパーソナライズするために、この方法を試行した。 この方法で顧客のエンゲージメントとエクスペリエンスが向上し、コンバージョンが4.9%向上した。

関連論文リスト

• A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
  本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。 本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
  論文  参考訳（メタデータ） (2024-09-27T17:00:32Z)
• Dynamic Demand Management for Parcel Lockers [0.0]
  本研究では,逐次決定分析と強化学習に根ざしたアルゴリズム手法を編成するソリューションフレームワークを開発する。 これらのテクニックを組み合わせるための革新的なアプローチは、この2つの意思決定タイプ間の強い相互関係に対処する上で有効です。 本手法は筋電図のベンチマークを13.7%上回り、業界に触発された政策を12.6%上回る結果となった。
  論文  参考訳（メタデータ） (2024-09-08T11:38:48Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• Learn What You Need in Personalized Federated Learning [53.83081622573734]
  $textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。 我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-16T12:45:15Z)
• 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)
• Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
  グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。 我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
  論文  参考訳（メタデータ） (2023-06-07T23:24:50Z)
• Tackling Dynamics in Federated Incremental Learning with Variational Embedding Rehearsal [27.64806509651952]
  FLシナリオにおける漸進的な学習プロセスに対処する新しいアルゴリズムを提案する。 まず、クライアントデータのプライバシーを確保するために、ディープ変分埋め込み(Deep Variational Embeddings)を提案する。 第2に,学習した知識をモデルでリハーサルするサーバサイドトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T02:26:35Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Optimal Client Sampling for Federated Learning [0.0]
  アップデートをマスターノードに伝えることができるクライアントの数を制限する。 各通信ラウンドでは、参加するすべてのクライアントがアップデートを計算しますが、"重要な"アップデートを持つクライアントだけがマスターに通信します。 更新の基準のみを用いて重要度を測定することができ、最適なクライアント参加の式を提供する。
  論文  参考訳（メタデータ） (2020-10-26T17:05:13Z)
• Learning Product Rankings Robust to Fake Users [15.570621284198019]
  多くのオンラインプラットフォームでは、顧客の決定は製品ランキングに大きく影響される。 これらのプラットフォームは、顧客の行動に対応する同じデータを使用して、これらの製品のランク付けや注文方法を学ぶ。 このような不正行為を動機として,実ユーザと偽ユーザの混在するプラットフォームにおけるランキング問題について検討する。
  論文  参考訳（メタデータ） (2020-09-10T20:26:02Z)

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。