論文の概要: Enriching User Shopping History: Empowering E-commerce with a Hierarchical Recommendation System
- arxiv url: http://arxiv.org/abs/2403.12096v1
- Date: Fri, 15 Mar 2024 10:28:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 18:51:33.910836
- Title: Enriching User Shopping History: Empowering E-commerce with a Hierarchical Recommendation System
- Title(参考訳): ユーザショッピング履歴の充実 - 階層型レコメンデーションシステムによるeコマースの強化
- Authors: Irem Islek, Sule Gunduz Oguducu,
- Abstract要約: 推薦システムは、ユーザのショッピング履歴を分析して、正確なレコメンデーションを提供することができる。
リッチなユーザ履歴は、より正確なレコメンデーションをもたらす。
実際のアプリケーションでは、ユーザーは、求めているアイテムが最低価格の電子商取引プラットフォームを好む。
- 参考スコア(独自算出の注目度): 0.13812010983144798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation systems can provide accurate recommendations by analyzing user shopping history. A richer user history results in more accurate recommendations. However, in real applications, users prefer e-commerce platforms where the item they seek is at the lowest price. In other words, most users shop from multiple e-commerce platforms simultaneously; different parts of the user's shopping history are shared between different e-commerce platforms. Consequently, we assume in this study that any e-commerce platform has a complete record of the user's history but can only access some parts of it. If a recommendation system is able to predict the missing parts first and enrich the user's shopping history properly, it will be possible to recommend the next item more accurately. Our recommendation system leverages user shopping history to improve prediction accuracy. The proposed approach shows significant improvements in both NDCG@10 and HR@10.
- Abstract(参考訳): 推薦システムは、ユーザのショッピング履歴を分析して、正確なレコメンデーションを提供することができる。
リッチなユーザ履歴は、より正確なレコメンデーションをもたらす。
しかし、実際のアプリケーションでは、ユーザーは探しているアイテムが最低価格の電子商取引プラットフォームを好む。
言い換えれば、ほとんどのユーザーは複数のeコマースプラットフォームから同時に買い物をしており、ユーザのショッピング履歴の異なる部分は、異なるeコマースプラットフォーム間で共有されている。
そこで本研究では,電子商取引プラットフォームがユーザの履歴を完全に記録しているが,その一部にしかアクセスできないと仮定する。
もしレコメンデーションシステムが、まず、欠落した部分を予測し、ユーザのショッピング履歴を適切に充実させることができれば、次の項目をより正確に推奨することができる。
提案システムは,ユーザのショッピング履歴を活用して予測精度を向上させる。
提案手法はNDCG@10とHR@10の両方で大幅に改善されている。
関連論文リスト
- Intelligent Classification and Personalized Recommendation of E-commerce Products Based on Machine Learning [2.152073242131379]
本稿では、eコマース、コンテンツ情報、メディアドメインにおけるパーソナライズされたレコメンデーションシステムの重要性と応用について考察する。
データプライバシ、アルゴリズムバイアス、スケーラビリティ、コールドスタート問題など、Eコマースにおいてパーソナライズされたレコメンデーションシステムに直面する課題を概説する。
本稿では、BERTモデルと近隣のアルゴリズムを利用したパーソナライズされたレコメンデーションシステムの概要を述べる。
論文 参考訳(メタデータ) (2024-03-28T12:02:45Z) - DRIFT: A Federated Recommender System with Implicit Feedback on the
Items [0.0]
DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。
我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。
我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
論文 参考訳(メタデータ) (2023-04-17T13:12:33Z) - 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) - Towards Personalized Answer Generation in E-Commerce via
Multi-Perspective Preference Modeling [62.049330405736406]
Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。
なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。
PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
論文 参考訳(メタデータ) (2021-12-27T07:51:49Z) - Sequential Modeling with Multiple Attributes for Watchlist
Recommendation in E-Commerce [67.6615871959902]
電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。
私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。
提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
論文 参考訳(メタデータ) (2021-10-18T10:02:15Z) - 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) - Developing a Conversational Recommendation System for Navigating Limited
Options [0.0]
我々は,ユーザが最適な選択肢を見つけるために,限られた選択肢をナビゲートするのに役立つような対話型レコメンデーションシステムを開発した。
特定の検索語を用いて数千からランク付けされたオプションのリストを返す多くのインターネットスケールシステムとは異なり、本システムはユーザの好みを深く理解するためにマルチターンユーザーダイアログを使用する。
論文 参考訳(メタデータ) (2021-04-13T23:46:10Z) - Personalized Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。
データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
論文 参考訳(メタデータ) (2021-02-11T17:58:51Z) - COOKIE: A Dataset for Conversational Recommendation over Knowledge
Graphs in E-commerce [64.95907840457471]
我々は,COOKIEと呼ばれる電子商取引プラットフォームにおける知識グラフに対する対話的推薦のための新しいデータセットを提案する。
データセットはAmazonのレビューコーパスから構築され、ユーザエージェント対話とカスタムナレッジグラフを統合してレコメンデーションする。
論文 参考訳(メタデータ) (2020-08-21T00:11:31Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳(メタデータ) (2020-05-19T10:18:43Z)
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。