論文の概要: Pfeed: Generating near real-time personalized feeds using precomputed
embedding similarities
- arxiv url: http://arxiv.org/abs/2402.16073v2
- Date: Wed, 6 Mar 2024 10:03:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 17:28:13.525680
- 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
- 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 [0.42056926734482064]
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) - On Second-order Optimization Methods for Federated Learning [59.787198516188425]
フェデレート学習環境における局所的なステップを持つ2階分散手法の性能評価を行った。
本稿では,更新のための2階ローカル情報とグローバルライン検索を用いて,結果の局所的特異性に対処する新たな変種を提案する。
論文 参考訳(メタデータ) (2021-09-06T12:04:08Z) - Federated Multi-Target Domain Adaptation [99.93375364579484]
フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。
分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。
本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
論文 参考訳(メタデータ) (2021-08-17T17:53:05Z) - 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) - Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。
高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
論文 参考訳(メタデータ) (2021-03-16T11:08:30Z) - 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) - Friendship is All we Need: A Multi-graph Embedding Approach for Modeling
Customer Behavior [1.181206257787103]
顧客を非線形に表現するためのマルチグラフ埋め込み手法を提案する。
我々は,友人関係の情報を入手することでのみ,ユーザの将来の行動を合理的に予測することができる。
論文 参考訳(メタデータ) (2020-10-06T14:50:05Z) - 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。