論文の概要: Headache to Overstock? Promoting Long-tail Items through Debiased Product Bundling

• arxiv url: http://arxiv.org/abs/2411.19107v1
• Date: Thu, 28 Nov 2024 12:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:09.169363
• Title: Headache to Overstock? Promoting Long-tail Items through Debiased Product Bundling
• Title（参考訳）: オーバーストックへの頭痛 : 老朽化製品バンドルによるロングテールアイテムの促進
• Authors: Shuo Xu, Haokai Ma, Yunshan Ma, Xiaohao Liu, Lei Meng, Xiangxu Meng, Tat-Seng Chua,
• Abstract要約: 本稿では,ユーザフィードバック機能による人気バイアスに対処するため,DieT(Distilled Modality-Oriented Knowledge Transfer)フレームワークを提案する。 2つの実世界のデータセットに対する大規模な実験は、長い尾のバンドルシナリオにおけるSOTAメソッドのリストよりもDieTの方が優れていることを示した。
• 参考スコア（独自算出の注目度）: 47.630529473943824
• License:
• Abstract: Product bundling aims to organize a set of thematically related items into a combined bundle for shipment facilitation and item promotion. To increase the exposure of fresh or overstocked products, sellers typically bundle these items with popular products for inventory clearance. This specific task can be formulated as a long-tail product bundling scenario, which leverages the user-item interactions to define the popularity of each item. The inherent popularity bias in the pre-extracted user feedback features and the insufficient utilization of other popularity-independent knowledge may force the conventional bundling methods to find more popular items, thereby struggling with this long-tail bundling scenario. Through intuitive and empirical analysis, we navigate the core solution for this challenge, which is maximally mining the popularity-free features and effectively incorporating them into the bundling process. To achieve this, we propose a Distilled Modality-Oriented Knowledge Transfer framework (DieT) to effectively counter the popularity bias misintroduced by the user feedback features and adhere to the original intent behind the real-world bundling behaviors. Specifically, DieT first proposes the Popularity-free Collaborative Distribution Modeling module (PCD) to capture the popularity-independent information from the bundle-item view, which is proven most effective in the long-tail bundling scenario to enable the directional information transfer. With the tailored Unbiased Bundle-aware Knowledge Transferring module (UBT), DieT can highlight the significance of popularity-free features while mitigating the negative effects of user feedback features in the long-tail scenario via the knowledge distillation paradigm. Extensive experiments on two real-world datasets demonstrate the superiority of DieT over a list of SOTA methods in the long-tail bundling scenario.
• Abstract（参考訳）: 製品バンドルは、テーマ的な関連項目のセットを、出荷促進と商品の促進のために組み合わせたバンドルにまとめることを目的としている。 生鮮品や過剰生産品の露出を高めるため、売り手は通常これらの商品を一般的な商品に束ねて在庫の清算を行う。 この特定のタスクは、各アイテムの人気を定義するためにユーザとテムのインタラクションを活用するロングテール製品バンドルシナリオとして定式化することができる。 事前抽出されたユーザフィードバック機能に固有の人気バイアスと、他の人気に依存しない知識の活用が不十分なため、従来のバンドル手法では、より人気のあるアイテムを見つけることを余儀なくされる可能性があるため、この長期バンドルシナリオに苦しむことになる。 直感的で経験的な分析を通じて、我々はこの課題のコアソリューションをナビゲートし、人気のない機能を最大限にマイニングし、それらをバンドルプロセスに効果的に組み込む。 そこで本研究では,ユーザフィードバック機能によって導入される人気バイアスを効果的に回避し,実世界のバンドル行動の背後にある本来の意図に従うための,DieT(Distilled Modality-Oriented Knowledge Transfer)フレームワークを提案する。 具体的には,DieTが最初に提案するPopularity-free Collaborative Distribution Modeling Module (PCD) は,バンドル・イテムからの人気非依存情報を取得するためのものだ。 UBT(Unbiased Bundle-aware Knowledge Transferring Module)によってDieTは、ナレッジ蒸留パラダイムを通じて、ロングテールシナリオにおけるユーザフィードバック機能のネガティブな影響を軽減しつつ、人気のない機能の重要性を強調します。 2つの実世界のデータセットに対する大規模な実験は、長い尾のバンドルシナリオにおけるSOTAメソッドのリストよりもDieTの方が優れていることを示した。

関連論文リスト

• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• Popularity-Aware Alignment and Contrast for Mitigating Popularity Bias [34.006766098392525]
  協調フィルタリング(CF)は通常、現実のデータセットにおけるアイテムの不均一な分布のため、人気バイアスの課題に悩まされる。 このバイアスは、人気アイテムと不人気アイテムの間にかなりの精度のギャップをもたらす。 本稿では,2つの課題に対処するために,PAAC(Popularity-Aware Alignment and Contrast)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:14:48Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
  人気バイアスはレコメンデーションシステムの分野で広く問題となっている。 本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
  論文  参考訳（メタデータ） (2023-08-22T08:57:44Z)
• Capturing Popularity Trends: A Simplistic Non-Personalized Approach for Enhanced Item Recommendation [10.606845291519932]
  Popularity-Aware Recommender (PARE) は、最も人気の高いアイテムを予測することで、非個人化されたレコメンデーションを行う。 私たちの知る限り、レコメンデーションシステムでアイテムの人気を明示的にモデル化する最初の試みである。
  論文  参考訳（メタデータ） (2023-08-17T06:20:03Z)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation [15.490873353133363]
  本稿では,トリガー誘導レコメンデーション(TIR, Trigger-induced Recommendation)という新たなレコメンデーション問題を提案する。 そこで本研究では,クリックスルーレート(CTR)予測のための,DIHN(Deep Interest Highlight Network)と呼ばれる新しい推奨手法を提案する。 1)ユーザインテントネットワーク(UIN)、2)トリガーアイテムに対するユーザの意図を正確に予測するための正確な確率スコアを生成する、2)統合埋め込みモジュール(FEM)、そして、UINからの予測に基づいてトリガーアイテムとターゲットアイテムの埋め込みを適応的に融合する、3)。
  論文  参考訳（メタデータ） (2022-02-05T08:40:30Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)

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。