論文の概要: Fine-grained large-scale content recommendations for MSX sellers
- arxiv url: http://arxiv.org/abs/2407.06910v1
- Date: Tue, 9 Jul 2024 14:46:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-10 17:47:35.243922
- Title: Fine-grained large-scale content recommendations for MSX sellers
- Title（参考訳）: MSX販売者のための微細な大規模コンテンツレコメンデーション
- Authors: Manpreet Singh, Ravdeep Pasricha, Ravi Prasad Kondapalli, Kiran R, Nitish Singh, Akshita Agarwalla, Manoj R, Manish Prabhakar, Laurent Boué,
- Abstract要約: Microsoftの売り手にとって最も重要なタスクの1つは、潜在的なビジネス機会を注意深く追跡し、育てることである。
本稿では,販売者が顧客と共有できるさまざまなタイプのコンテンツを提示するコンテントレコメンデーションモデルを提案する。
非常に多くの機会-コンテンツの組み合わせに対して効率的なセマンティックマッチングを実現する方法を示す。
- 参考スコア（独自算出の注目度）: 3.2380745582402573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the most critical tasks of Microsoft sellers is to meticulously track and nurture potential business opportunities through proactive engagement and tailored solutions. Recommender systems play a central role to help sellers achieve their goals. In this paper, we present a content recommendation model which surfaces various types of content (technical documentation, comparison with competitor products, customer success stories etc.) that sellers can share with their customers or use for their own self-learning. The model operates at the opportunity level which is the lowest possible granularity and the most relevant one for sellers. It is based on semantic matching between metadata from the contents and carefully selected attributes of the opportunities. Considering the volume of seller-managed opportunities in organizations such as Microsoft, we show how to perform efficient semantic matching over a very large number of opportunity-content combinations. The main challenge is to ensure that the top-5 relevant contents for each opportunity are recommended out of a total of $\approx 40,000$ published contents. We achieve this target through an extensive comparison of different model architectures and feature selection. Finally, we further examine the quality of the recommendations in a quantitative manner using a combination of human domain experts as well as by using the recently proposed "LLM as a judge" framework.
- Abstract（参考訳）: Microsoftの売り手にとって最も重要なタスクの1つは、積極的なエンゲージメントと調整されたソリューションを通じて、潜在的なビジネス機会を注意深く追跡し、育てることである。
リコメンダシステムは、売り手が目標を達成するのを助けるために中心的な役割を果たす。
本稿では,販売者が顧客と共有したり,自己学習に利用する,さまざまなタイプのコンテンツ(技術資料,競合製品との比較,顧客成功物語など)を提示するコンテンツレコメンデーションモデルを提案する。
このモデルは、可能な限りの粒度が最も低く、売り手にとって最も関連性の高い機会レベルで機能する。
コンテンツからのメタデータと機会の慎重に選択された属性のセマンティックマッチングに基づいている。
Microsoftのような組織における販売者管理の機会の量を考えると、非常に多くの機会-コンテンツの組み合わせに対して効率的なセマンティックマッチングを行う方法を示す。
主な課題は、各機会の上位5つの関連コンテンツが、合計で$\approx 40,000$のコンテンツから推奨されることである。
我々は、異なるモデルアーキテクチャと機能選択を広範囲に比較することで、この目標を達成する。
最後に、最近提案された「LLM as a judge」フレームワークを用いて、人間ドメインの専門家の組み合わせを用いて、定量的にレコメンデーションの品質を検証した。
関連論文リスト
- MM-RLHF: The Next Step Forward in Multimodal LLM Alignment [59.536850459059856]
MM-RLHF, $mathbf120k$ fine-fine, human-annotated preference comparison pairsを含むデータセットを紹介する。
本稿では,報酬モデルの品質向上とアライメントアルゴリズムの効率向上のために,いくつかの重要なイノベーションを提案する。
我々のアプローチは、$mathbf10$の異なる次元と$mathbf27$のベンチマークで厳格に評価されている。
論文 参考訳（メタデータ） (2025-02-14T18:59:51Z) - Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。
調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
論文 参考訳（メタデータ） (2024-10-31T07:19:22Z) - Bypassing the Popularity Bias: Repurposing Models for Better Long-Tail Recommendation [0.0]
我々は,オンラインコンテンツプラットフォーム上で,パブリッシャー間でより公平な露出分布を実現することを目的としている。
そこで本稿では,産業推薦システムの既存コンポーネントを再利用して,表現不足の出版社に価値ある露出を提供する手法を提案する。
論文 参考訳（メタデータ） (2024-09-17T15:40:55Z) - Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。
我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。
我々の戦略は、最先端のライバル数社を上回っている。
論文 参考訳（メタデータ） (2024-08-07T13:48:24Z) - LMaaS: Exploring Pricing Strategy of Large Model as a Service for
Communication [11.337245234301857]
有料サービスモードは、LM(Large Model as a Service)と呼ばれるこの文脈に適していると我々は主張する。
本稿では,顧客の将来的なレンタル決定を推論することで,大規模モデルの価格を反復的に最適化する反復モデル価格(IMP)アルゴリズムを提案する。
第2ステップでは、ロバストな選択とレンタルのアルゴリズムを設計することで、顧客の選択決定を最適化する。
論文 参考訳（メタデータ） (2024-01-05T07:19:19Z) - A case study of Generative AI in MSX Sales Copilot: Improving seller
productivity with a real-time question-answering system for content
recommendation [3.680292844010173]
我々は、売り手が顧客とライブで共有したり、通話中に参照したりできる関連資料や文書を入手するための、特にターゲットとするリアルタイム質問応答システムを設計する。
本稿では, 地震資料リポジトリを, 多様な販売資料のデータセットの比較的大規模な例とみなす。
私たちは、文書や販売業者が利用できる豊富なメタ機能のセットを活かした、精巧な方法で、エンジニアリングのプロンプトによってこれを達成します。
論文 参考訳（メタデータ） (2024-01-04T13:32:44Z) - Salespeople vs SalesBot: Exploring the Role of Educational Value in
Conversational Recommender Systems [78.84530426424838]
既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。
このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。
私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
論文 参考訳（メタデータ） (2023-10-26T19:44:06Z) - Multimodal Recommender Systems: A Survey [50.23505070348051]
マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。
本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。
実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
論文 参考訳（メタデータ） (2023-02-08T05:12:54Z) - 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) - Evaluating Deep Vs. Wide & Deep Learners As Contextual Bandits For
Personalized Email Promo Recommendations [1.1213676742918772]
パーソナライゼーションにより、企業は過去のインタラクションから顧客の好みを学ぶことができる。
我々は、いくつかの選択肢から与えられた顧客に対する最適なプロモーションオファーを予測する問題は、文脈的盗聴の問題であると考えている。
論文 参考訳（メタデータ） (2022-01-31T23:26:17Z) - 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)
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。