論文の概要: A Preference-oriented Diversity Model Based on Mutual-information in Re-ranking for E-commerce Search
- arxiv url: http://arxiv.org/abs/2405.15521v1
- Date: Fri, 24 May 2024 13:03:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 14:22:48.284915
- Title: A Preference-oriented Diversity Model Based on Mutual-information in Re-ranking for E-commerce Search
- Title（参考訳）: 電子商取引検索における相互情報に基づく嗜好指向の多様性モデル
- Authors: Huimu Wang, Mingming Li, Dadong Miao, Songlin Wang, Guoyu Tang, Lin Liu, Sulong Xu, Jinghe Hu,
- Abstract要約: 本稿では,相互情報(PODM-MI)に基づく嗜好指向の多様性モデルを提案する。
PODM-MIは、再ランクプロセスにおける正確性と多様性の両方を考慮する。
我々は,PODM-MIをeコマース検索プラットフォームに導入することに成功している。
- 参考スコア（独自算出の注目度）: 11.49911967350851
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Re-ranking is a process of rearranging ranking list to more effectively meet user demands by accounting for the interrelationships between items. Existing methods predominantly enhance the precision of search results, often at the expense of diversity, leading to outcomes that may not fulfill the varied needs of users. Conversely, methods designed to promote diversity might compromise the precision of the results, failing to satisfy the users' requirements for accuracy. To alleviate the above problems, this paper proposes a Preference-oriented Diversity Model Based on Mutual-information (PODM-MI), which consider both accuracy and diversity in the re-ranking process. Specifically, PODM-MI adopts Multidimensional Gaussian distributions based on variational inference to capture users' diversity preferences with uncertainty. Then we maximize the mutual information between the diversity preferences of the users and the candidate items using the maximum variational inference lower bound to enhance their correlations. Subsequently, we derive a utility matrix based on the correlations, enabling the adaptive ranking of items in line with user preferences and establishing a balance between the aforementioned objectives. Experimental results on real-world online e-commerce systems demonstrate the significant improvements of PODM-MI, and we have successfully deployed PODM-MI on an e-commerce search platform.
- Abstract（参考訳）: 再ランク付けとは、アイテム間の相互関係を考慮し、ユーザの要求をより効果的に満たすようにランキングリストを整理するプロセスである。
既存の手法は主に検索結果の精度を向上し、しばしば多様性を犠牲にして、ユーザのさまざまなニーズを満たすことができない結果をもたらす。
逆に、多様性を促進するために設計された手法は、結果の精度を損なう可能性があり、正確性に対するユーザの要求を満たすことができない。
そこで本稿では,相互情報に基づく優先度指向の多様性モデル(PODM-MI)を提案する。
特に,PODM-MIは変動推論に基づく多次元ガウス分布を採用し,不確実性を伴うユーザの多様性選好を捉える。
そして,最大変分推論下限を用いて,ユーザの多様性選好と候補項目の相互情報を最大化し,相関性を高める。
その後、相関関係に基づいてユーティリティ行列を導出し、ユーザの好みに応じてアイテムの適応的なランク付けを可能にし、上記の目的のバランスを確立する。
実世界のオンライン電子商取引システムにおける実験結果から,PODM-MIの大幅な改善が示され,我々は,PODM-MIをeコマース検索プラットフォームに導入することに成功している。
関連論文リスト
- Dynamic Detection of Relevant Objectives and Adaptation to Preference Drifts in Interactive Evolutionary Multi-Objective Optimization [2.4374097382908477]
意思決定過程を通じて進化し,目的の関連性に影響を与えるDM選好の動的性質について検討する。
このような変化が起こると、時代遅れや相反する好みを解消する手法を提案する。
実験により,提案手法は進化する嗜好を効果的に管理し,アルゴリズムが生成するソリューションの品質と望ましさを著しく向上することを示した。
論文 参考訳（メタデータ） (2024-11-07T09:09:06Z) - ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳（メタデータ） (2024-10-21T14:02:40Z) - Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳（メタデータ） (2024-10-17T01:02:04Z) - Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。
目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。
DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
論文 参考訳（メタデータ） (2024-08-14T11:29:47Z) - Interactive Hyperparameter Optimization in Multi-Objective Problems via
Preference Learning [65.51668094117802]
我々は多目的機械学習(ML)に適した人間中心型対話型HPO手法を提案する。
ユーザが自分のニーズに最も適した指標を推測する代わりに、私たちのアプローチは自動的に適切な指標を学習します。
論文 参考訳（メタデータ） (2023-09-07T09:22:05Z) - DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant
Recommendations [3.4947076558586967]
そこで本稿では,Click-Through Rate (CTR) を予測するために,Dynamic Preference-based and Attribute-aware Network (DPAN) と呼ばれる新しい手法を提案する。
DPANは、当社のeコマースプラットフォームに、関連するレコメンデーションのための主要なトラフィックを提供するために、うまくデプロイされています。
論文 参考訳（メタデータ） (2023-08-21T07:26:09Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - 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) - A Hybrid Bandit Framework for Diversified Recommendation [42.516774050676254]
本稿では,モジュール関数と分散関数の組み合わせを最適化するLinear Modular Dispersion Bandit (LMDB) フレームワークを提案する。
具体的には、LMDBは、各項目の関連性プロパティをモデル化するモジュラー関数と、アイテムセットの多様性特性を記述する分散関数を用いる。
また, lmdb問題を解くための線形モジュラ分散ハイブリッド(lmdh)と呼ばれる学習アルゴリズムを開発し, そのn段階の後悔にギャップのないバウンドを導出する。
論文 参考訳（メタデータ） (2020-12-24T13:24:40Z) - Using Stable Matching to Optimize the Balance between Accuracy and
Diversity in Recommendation [3.0938904602244355]
多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。
集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。
本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
論文 参考訳（メタデータ） (2020-06-05T22:12:25Z)
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。