論文の概要: Identifying Shopping Intent in Product QA for Proactive Recommendations
- arxiv url: http://arxiv.org/abs/2404.06017v1
- Date: Tue, 9 Apr 2024 04:55:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 15:48:59.452770
- Title: Identifying Shopping Intent in Product QA for Proactive Recommendations
- Title(参考訳): プロアクティブレコメンデーションのための製品QAにおけるショッピングインテントの同定
- Authors: Besnik Fetahu, Nachshon Cohen, Elad Haramaty, Liane Lewin-Eytan, Oleg Rokhlenko, Shervin Malmasi,
- Abstract要約: 我々は、eコマースの領域、すなわち買い物商品質問(SPQ)の特定に焦点を当てている。
本稿では,ユーザの購入履歴から潜伏したショッピング行動を捉え,新しいMixture-of-Experts(MoE)モデルを用いて組み合わせる機能を提案する。
我々はSPQをリアルタイムで識別し、購入した商品をショッピングリストに追加するようユーザーに推奨する。
- 参考スコア(独自算出の注目度): 25.30972312076997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Voice assistants have become ubiquitous in smart devices allowing users to instantly access information via voice questions. While extensive research has been conducted in question answering for voice search, little attention has been paid on how to enable proactive recommendations from a voice assistant to its users. This is a highly challenging problem that often leads to user friction, mainly due to recommendations provided to the users at the wrong time. We focus on the domain of e-commerce, namely in identifying Shopping Product Questions (SPQs), where the user asking a product-related question may have an underlying shopping need. Identifying a user's shopping need allows voice assistants to enhance shopping experience by determining when to provide recommendations, such as product or deal recommendations, or proactive shopping actions recommendation. Identifying SPQs is a challenging problem and cannot be done from question text alone, and thus requires to infer latent user behavior patterns inferred from user's past shopping history. We propose features that capture the user's latent shopping behavior from their purchase history, and combine them using a novel Mixture-of-Experts (MoE) model. Our evaluation shows that the proposed approach is able to identify SPQs with a high score of F1=0.91. Furthermore, based on an online evaluation with real voice assistant users, we identify SPQs in real-time and recommend shopping actions to users to add the queried product into their shopping list. We demonstrate that we are able to accurately identify SPQs, as indicated by the significantly higher rate of added products to users' shopping lists when being prompted after SPQs vs random PQs.
- Abstract(参考訳): スマートデバイスでは音声アシスタントが普及し、ユーザーは音声質問を通じて即座に情報にアクセスできるようになった。
音声検索に関する質問に対して広範な研究が行われてきたが、音声アシスタントからユーザへの積極的なレコメンデーションを実現する方法についてはほとんど注目されていない。
これは非常に難しい問題で、ユーザの摩擦を招きがちです。
本研究は,商品関連質問に対して,購入ニーズの根底にあると思われる商品問合せ (SPQ) の特定に焦点をあてる。
ユーザのショッピングニーズを識別することで、製品や取引のレコメンデーションや積極的ショッピング行動レコメンデーションなどのレコメンデーションをいつ提供すべきかを判断することで、音声アシスタントによるショッピング体験の向上が可能になる。
SPQの特定は難しい問題であり、質問文だけでは実行できないため、ユーザの過去のショッピング履歴から推測される潜伏したユーザ行動パターンを推測する必要がある。
本稿では,ユーザの購入履歴から潜伏したショッピング行動を捉え,新しいMixture-of-Experts(MoE)モデルを用いて組み合わせる機能を提案する。
評価の結果,提案手法はSPQを高いスコアF1=0.91で識別できることがわかった。
さらに、実際の音声アシスタント利用者によるオンライン評価に基づいて、SPQをリアルタイムに識別し、購入した商品をショッピングリストに追加するようユーザに推奨する。
我々は,SPQ とランダム PQ の後に誘導される場合,利用者のショッピングリストに付加される商品の割合が有意に高いことが示されるように,SPQ を正確に識別できることを実証した。
関連論文リスト
- Question Suggestion for Conversational Shopping Assistants Using Product Metadata [24.23400061359442]
本稿では,Large Language Models (LLMs) を用いて,製品に関する文脈的,有用な,応答可能な,流動的で多様な質問を自動的に生成するフレームワークを提案する。
これらの質問を顧客に対して、会話の開始と継続の両方に役立つ提案やヒントとして提案することは、よりスムーズで高速なショッピング体験をもたらす。
論文 参考訳(メタデータ) (2024-05-02T21:16:19Z) - Instant Answering in E-Commerce Buyer-Seller Messaging using
Message-to-Question Reformulation [26.593137126739308]
我々は,ドメイン固有の質問回答システム(QA)を用いて,販売者に対する購入者の問い合わせを自動化することを目指している。
M2Qは、メッセージから最も健全な情報を識別して抽出することで、購入者のメッセージを簡潔な質問に再構成する。
ライブ配信は、自動回答によって、売り手が年間数百万のメッセージに手動で応答するのを防ぐことを示している。
論文 参考訳(メタデータ) (2024-01-18T08:09:27Z) - Generate-then-Retrieve: Intent-Aware FAQ Retrieval in Product Search [20.216161323866867]
FAQ検索は,質問意図のあるユーザクエリに対して,共通の問合せペアを検索することを目的としている。
製品検索にFAQ検索を統合することで、ユーザーはより情報のある購入決定をすることができるだけでなく、購入後の効率的なサポートを通じてユーザーの保持を高めることができる。
本稿では,(1)ユーザの情報が必要なタイミングをFAQで予測する意図分類器,(2)クエリを自然な質問に書き換える修正モデルからなる意図認識型FAQ検索システムを提案する。
論文 参考訳(メタデータ) (2023-06-06T05:18:21Z) - Hierarchical Conversational Preference Elicitation with Bandit Feedback [36.507341041113825]
提案システムでは,各ラウンドで推薦するキータームかアイテムのいずれかを選択することができる。
実世界のデータセットを調査・分析し、先行研究と異なり、キーターム報酬は主に代表品の報酬に影響されていることを確認する。
我々は、この観測結果とキータームとアイテム間の階層構造を利用する2つの帯域幅アルゴリズム、Hier-UCBとHier-LinUCBを提案する。
論文 参考訳(メタデータ) (2022-09-06T05:35:24Z) - 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) - Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。
KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。
最終的には、正確な推奨は会話の順番を少なくして生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:58:10Z) - NoiseQA: Challenge Set Evaluation for User-Centric Question Answering [68.67783808426292]
応答エンジンに先立つパイプライン内のコンポーネントが,多種多様なエラーの原因を発生させることができることを示す。
我々は、QAシステムが効果的にデプロイされる前に、進歩の余地がかなりあると結論付けている。
論文 参考訳(メタデータ) (2021-02-16T18:35:29Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-02-16T02:08:52Z) - On the Social and Technical Challenges of Web Search Autosuggestion
Moderation [118.47867428272878]
自動提案は通常、検索ログと文書表現のコーパスに基づいてトレーニングされた機械学習(ML)システムによって生成される。
現在の検索エンジンは、このような問題のある提案を抑えるのに、ますます熟練している。
問題のある提案のいくつかの側面、パイプラインに沿った困難な問題、そしてWeb検索を超えたアプリケーションの増加になぜ私たちの議論が適用されるのかについて論じる。
論文 参考訳(メタデータ) (2020-07-09T19:22:00Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳(メタデータ) (2020-05-23T08:56:37Z)
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。