論文の概要: E-Commerce Product Recommendation System based on ML Algorithms

• arxiv url: http://arxiv.org/abs/2407.21026v1
• Date: Mon, 15 Jul 2024 01:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 19:46:12.527853
• Title: E-Commerce Product Recommendation System based on ML Algorithms
• Title（参考訳）: MLアルゴリズムに基づくEコマース製品推薦システム
• Authors: Md. Zahurul Haque,
• Abstract要約: このプロジェクトの目的は、eコマースプラットホームがユーザとコミュニケーションする方法を変えることだ。 私たちは、最先端の機械学習技術を使用して、製品レコメンデーションをカスタマイズできるモデルを作成しました。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Algorithms are used in eCommerce product recommendation systems. These systems just recently began utilizing machine learning algorithms due to the development and growth of the artificial intelligence research community. This project aspires to transform how eCommerce platforms communicate with their users. We have created a model that can customize product recommendations and offers for each unique customer using cutting-edge machine learning techniques, we used PCA to reduce features and four machine learning algorithms like Gaussian Naive Bayes (GNB), Random Forest (RF), Logistic Regression (LR), Decision Tree (DT), the Random Forest algorithms achieve the highest accuracy of 99.6% with a 96.99 r square score, 1.92% MSE score, and 0.087 MAE score. The outcome is advantageous for both the client and the business. In this research, we will examine the model's development and training in detail and show how well it performs using actual data. Learning from machines can change of eCommerce world.
• Abstract（参考訳）: アルゴリズムはeコマース製品レコメンデーションシステムで使用される。 これらのシステムは、人工知能研究コミュニティの発展と成長により、機械学習アルゴリズムの利用を開始したばかりです。 このプロジェクトの目的は、eコマースプラットホームがユーザとコミュニケーションする方法を変えることだ。 我々は、最先端の機械学習技術を使用して、各顧客に対して製品レコメンデーションをカスタマイズできるモデルを作成し、PCAを使用して機能を削減し、Gaussian Naive Bayes(GNB)、Random Forest(RF)、Logistic Regression(LR)、Decision Tree(DT)、Random Forestアルゴリズムといった4つの機械学習アルゴリズムを使用して、96.99 r2スコア、1.92% MSEスコア、0.087 MAEスコアで99.6%の精度を達成した。 結果はクライアントとビジネスの両方にとって有利です。 本研究では,モデルの開発とトレーニングを詳細に検討し,実際のデータによる性能評価を行う。 機械から学ぶことは、eコマースの世界を変えることができる。

関連論文リスト

• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Learning from straggler clients in federated learning [17.536454365543232]
  実世界のアプリケーションでガイドされるクライアント遅延のモンテカルロシミュレーションを開発した。 我々はFedAvgやFedAdamのような同期最適化アルゴリズムと非同期FedBuffアルゴリズムについて検討する。 EMNIST、CIFAR-100、StackOverflowベンチマークのフェデレーション学習タスクによる実験は、新しいアルゴリズムがストラグラークライアントの精度で既存のアルゴリズムより優れていることを示している。
  論文  参考訳（メタデータ） (2024-03-14T04:06:45Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• 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)
• Deep Learning-based Online Alternative Product Recommendations at Scale [0.2278231643598956]
  テキスト製品情報(例)の両方を使用します。 製品タイトルと説明)と代替製品を推奨する顧客の行動データ。 その結果, オフライン評価やリコール, 精度の面では, 代替製品のカバレッジが大幅に向上した。
  論文  参考訳（メタデータ） (2021-04-15T16:27:45Z)
• MatRec: Matrix Factorization for Highly Skewed Dataset [4.658166900129066]
  本稿では,行列分解の枠組みにおける問題を解く新しいアルゴリズムを提案する。 提案手法は,一般的なレコメンデータシステムアルゴリズムを用いて,好意的な結果を生成する。
  論文  参考訳（メタデータ） (2020-11-09T12:55:38Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)
• Discovering Reinforcement Learning Algorithms [53.72358280495428]
  強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。 本稿では,更新ルール全体を検出するメタラーニング手法を提案する。 これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
  論文  参考訳（メタデータ） (2020-07-17T07:38:39Z)
• Potential customer mining application of smart home products based on LightGBM PU learning and Spark ML algorithm practice [0.0]
  本稿では,中国テレコム上海の企業内コンペティションにおけるビッグデータベースのインテリジェント製品の可能性について検討する。 ビッグデータテーブルに基づく大量のデータ、機械学習とデータ分析技術の使用、LightGBM、PySpark機械学習アルゴリズム、Positive Unlabeled Learningアルゴリズムの利用。
  論文  参考訳（メタデータ） (2020-06-22T12:42:53Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。