論文の概要: Improving Sequential Recommender Systems with Online and In-store User Behavior

• arxiv url: http://arxiv.org/abs/2412.02122v1
• Date: Tue, 03 Dec 2024 03:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:40:29.821317
• Title: Improving Sequential Recommender Systems with Online and In-store User Behavior
• Title（参考訳）: オンラインおよび店内ユーザ行動を考慮したシーケンスレコメンダシステムの改善
• Authors: Luyi Ma, Aashika Padmanabhan, Anjana Ganesh, Shengwei Tang, Jiao Chen, Xiaohan Li, Lalitesh Morishetti, Kaushiki Nag, Malay Patel, Jason Cho, Sushant Kumar, Kannan Achan,
• Abstract要約: 多様なデータソースからの情報をキャッシュすることで、オンラインおよびインストアのユーザ行動データをコンパイルするためのハイブリッド全チャネルデータパイプラインを提案する。 本稿では,モデルに依存しないエンコーダモジュールをシーケンシャルレコメンデータシステムに導入し,ユーザ・イン・ストア・トランザクションを解釈する。
• 参考スコア（独自算出の注目度）: 8.606708734834623
• License:
• Abstract: Online e-commerce platforms have been extending in-store shopping, which allows users to keep the canonical online browsing and checkout experience while exploring in-store shopping. However, the growing transition between online and in-store becomes a challenge to sequential recommender systems for future online interaction prediction due to the lack of holistic modeling of hybrid user behaviors (online and in-store). The challenges are twofold. First, combining online and in-store user behavior data into a single data schema and supporting multiple stages in the model life cycle (pre-training, training, inference, etc.) organically needs a new data pipeline design. Second, online recommender systems, which solely rely on online user behavior sequences, must be redesigned to support online and in-store user data as input under the sequential modeling setting. To overcome the first challenge, we propose a hybrid, omnichannel data pipeline to compile online and in-store user behavior data by caching information from diverse data sources. Later, we introduce a model-agnostic encoder module to the sequential recommender system to interpret the user in-store transaction and augment the modeling capacity for better online interaction prediction given the hybrid user behavior.
• Abstract（参考訳）: オンラインeコマースプラットフォームは、店内ショッピングを拡張しており、ユーザーは店内ショッピングを探索しながら、標準的なオンラインブラウジングとチェックアウト体験を維持することができる。 しかし、オンラインとインストアの移行は、ハイブリッドユーザ行動(オンラインとインストア)の全体的モデリングが欠如していることから、今後のオンラインインタラクション予測のためのシーケンシャルなレコメンデーションシステムにとって課題となる。 課題は2つあります。 まず、オンラインとインストアのユーザ行動データを単一のデータスキーマに組み合わせ、モデルライフサイクル(事前トレーニング、トレーニング、推論など)の複数のステージをサポートするには、新たなデータパイプライン設計が必要である。 第2に、オンラインユーザ行動シーケンスのみに依存するオンラインレコメンデータシステムは、シーケンシャルなモデリング設定の下で入力としてオンラインおよび店内ユーザデータをサポートするように再設計されなければならない。 最初の課題を克服するために、多様なデータソースから情報をキャッシュすることで、オンラインおよびインストアのユーザ行動データをコンパイルするハイブリッドオムニチャネルデータパイプラインを提案する。 その後,モデルに依存しないエンコーダモジュールをシーケンシャルレコメンデータシステムに導入し,ユーザの店内取引を解釈し,ハイブリッドユーザ行動を考慮したオンラインインタラクション予測のためのモデリング能力を向上させる。

関連論文リスト

• BayesCNS: A Unified Bayesian Approach to Address Cold Start and Non-Stationarity in Search Systems at Scale [1.1634177851893535]
  BayesCNSは、大規模検索システムにおけるコールドスタートおよび非定常分布シフトを処理するように設計されている。 BayesCNSは、オンラインに集められた新しいユーザーインタラクションを継続的に更新するユーザとイテムのインタラクションの事前分布を推定することで、これを達成している。 このオンライン学習手順はランサーモデルによりガイドされ、コンテキスト情報を用いて関連項目の効率的な探索を可能にする。
  論文  参考訳（メタデータ） (2024-10-03T01:14:30Z)
• Do Not Wait: Learning Re-Ranking Model Without User Feedback At Serving Time in E-Commerce [16.316227411757797]
  本稿では,LASTというオンライン学習手法を新たに拡張したモデリング手法を提案する。 代理モデルを用いて、モデル改善を操縦するために必要な指導信号を提供することにより、ユーザフィードバックの要求を回避する。 LASTは既存のオンライン学習システムにシームレスに統合され、より適応的でレスポンシブなレコメンデーションエクスペリエンスを作成することができる。
  論文  参考訳（メタデータ） (2024-06-20T05:15:48Z)
• Online Matching: A Real-time Bandit System for Large-scale Recommendations [23.954049092470548]
  Online Matchingは、ユーザのアイテムに対する直接的なフィードバックをリアルタイムで学習する、スケーラブルなクローズドループバンディットシステムである。 Diag-LinUCBはLinUCBアルゴリズムの新たな拡張であり、スケーラブルでタイムリーな方法で帯域幅パラメータの分散更新を可能にする。
  論文  参考訳（メタデータ） (2023-07-29T05:46:27Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• 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)
• Proceedings of the 4th Workshop on Online Recommender Systems and User Modeling -- ORSUM 2021 [9.776323787279148]
  このワークショップの目的は、コントリビューションを奨励し、研究者や実践者の成長するコミュニティをまとめることである。 現代のオンラインサービスは、非常に高速な速度でデータを継続的に生成します。 オンラインサービスの本質的ダイナミクスに透過的に適応できるオンライン手法を検討することが重要である。
  論文  参考訳（メタデータ） (2022-01-12T19:20:37Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Non-Stationary Latent Bandits [68.21614490603758]
  非定常ユーザに対して高速なパーソナライズのための実践的アプローチを提案する。 鍵となる考え方は、この問題を潜在バンディットとみなすことであり、ユーザ行動のプロトタイプモデルがオフラインで学習され、ユーザの潜伏状態がオンラインで推論される。 我々は,非定常潜伏帯域における後悔最小化のためのトンプソンサンプリングアルゴリズムを提案し,それらを解析し,実世界のデータセット上で評価する。
  論文  参考訳（メタデータ） (2020-12-01T10:31:57Z)
• Do Offline Metrics Predict Online Performance in Recommender Systems? [79.48653445643865]
  6つのシミュレーション環境におけるレコメンデータの評価により,オフラインメトリクスがオンラインのパフォーマンスを予測する程度について検討した。 オフラインメトリクスは、様々な環境におけるオンラインのパフォーマンスと相関している。 本研究は,探索戦略の追加による影響について検討し,その有効性はレコメンデーションアルゴリズムに大きく依存していることを示す。
  論文  参考訳（メタデータ） (2020-11-07T01:41:13Z)
• 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。