Fugu-MT 論文翻訳(概要): Long or Short or Both? An Exploration on Lookback Time Windows of Behavioral Features in Product Search Ranking

論文の概要: Long or Short or Both? An Exploration on Lookback Time Windows of Behavioral Features in Product Search Ranking

arxiv url: http://arxiv.org/abs/2409.17456v1
Date: Thu, 26 Sep 2024 01:18:29 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-10 14:58:09.008731
Title: Long or Short or Both? An Exploration on Lookback Time Windows of Behavioral Features in Product Search Ranking
Title（参考訳）: 長いか短いか、両方か? プロダクト検索ランキングにおける行動的特徴の振り返り時間Windows
Authors: Qi Liu, Atul Singh, Jingbo Liu, Cun Mu, Zheng Yan, Jan Pedersen,
Abstract要約: 顧客の買い物行動機能は、eコマースにおける商品検索ランキングモデルの中核をなす。長時間・短時間の窓を用いた場合の長所と短所を調べた結果,異なる窓の歴史的挙動を統合化するための新しい手法が提案された。
参考スコア（独自算出の注目度）: 13.992753487350974
License:
Abstract: Customer shopping behavioral features are core to product search ranking models in eCommerce. In this paper, we investigate the effect of lookback time windows when aggregating these features at the (query, product) level over history. By studying the pros and cons of using long and short time windows, we propose a novel approach to integrating these historical behavioral features of different time windows. In particular, we address the criticality of using query-level vertical signals in ranking models to effectively aggregate all information from different behavioral features. Anecdotal evidence for the proposed approach is also provided using live product search traffic on Walmart.com.
Abstract（参考訳）: 顧客の買い物行動機能は、eコマースの商品検索ランキングモデルの中核をなす。本稿では,これらの特徴を (クエリ, 製品) レベルで歴史的に蓄積する場合に, 振り返り時間ウィンドウが与える影響について検討する。長時間・短時間の窓を用いた場合の長所と短所を調べた結果,異なる窓の歴史的挙動を統合化するための新しい手法が提案された。特に、ランク付けモデルにおける問合せレベルの垂直信号を用いて、異なる行動特徴から全ての情報を効果的に集約することの重要性に対処する。提案手法の逸話的証拠は、Walmart.comのライブ製品検索トラフィックにも使用されている。

関連論文リスト

Neighbor Based Enhancement for the Long-Tail Ranking Problem in Video Rank Models [0.0]
本稿では,対象ユーザや項目の表現のトレーニングを支援する新しい隣人拡張構造を提案する。有名な公開データセットMovieLens 1Mの実験は、この手法の効率を実証している。
論文参考訳（メタデータ） (2023-02-16T07:38:51Z)
Visually Similar Products Retrieval for Shopsy [0.0]
マルチタスク学習手法を用いて,リセラーコマースのためのビジュアル検索システムを設計する。我々のモデルは属性分類、三重項ランク付け、変分オートエンコーダ(VAE)の3つの異なるタスクからなる。
論文参考訳（メタデータ） (2022-10-10T10:59:18Z)
Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-06T15:42:54Z)
Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2021-10-08T09:44:00Z)
Personalized Entity Resolution with Dynamic Heterogeneous Knowledge Graph Representations [40.37976161857134]
製品ランキングの精度を向上させるためにパーソナライズされた機能を活用する新しいフレームワークを提案する。まず、顧客購入履歴と製品知識グラフからオープンソースの異種知識グラフを作成し、顧客と製品の埋め込みを共同で学習します。その後、プロダクト、顧客、履歴の表現をニューラルリランキングモデルに組み込んで、どの候補が特定の顧客に購入される可能性が最も高いかを予測します。
論文参考訳（メタデータ） (2021-04-06T16:58:27Z)
Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
論文参考訳（メタデータ） (2021-03-30T13:20:26Z)
Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文参考訳（メタデータ） (2021-02-18T11:08:54Z)
Fast Automatic Feature Selection for Multi-Period Sliding Window Aggregate in Time Series [3.0079490585515343]
スライドウィンドウアグリゲーション特徴選択を自動で処理する方法はない。この問題を解決するためにマルコフ・チェインを用いた一般的なフレームワークを提案する。 2つの一般的なスライディングウィンドウと3種類のアグリゲーション演算子による詳細を示す。
論文参考訳（メタデータ） (2020-12-02T09:14:30Z)
FIVES: Feature Interaction Via Edge Search for Large-Scale Tabular Data [106.76845921324704]
本稿では,FIVES (Feature Interaction Via Edge Search) という新しい手法を提案する。 FIVESは、定義された特徴グラフ上のエッジを探すために、インタラクティブな特徴生成のタスクを定式化する。本稿では,対話的特徴の探索を動機づける理論的証拠を提示する。
論文参考訳（メタデータ） (2020-07-29T03:33:18Z)
Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。