論文の概要: Popularity Estimation and New Bundle Generation using Content and Context based Embeddings
- arxiv url: http://arxiv.org/abs/2412.17310v1
- Date: Mon, 23 Dec 2024 06:04:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 16:00:07.361580
- Title: Popularity Estimation and New Bundle Generation using Content and Context based Embeddings
- Title（参考訳）: コンテンツとコンテキストに基づく埋め込みを用いた人気度推定と新しいバンドル生成
- Authors: Ashutosh Nayak, Prajwal NJ, Sameeksha Keshav, Kavitha S. N., Roja Reddy, Rajasekhara Reddy Duvvuru Muni,
- Abstract要約: 製品バンドルは、製品レコメンデーションの分野におけるエキサイティングな開発です。
販売、消費者エクスペリエンス、商品の多様性に基づいた新しいバンドル人気指標をバンドルに導入する。
実験の結果,既存のバンドルを32%～44%上回る,新たなバンドルを生成することが可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 1.099532646524593
- License:
- Abstract: Recommender systems create enormous value for businesses and their consumers. They increase revenue for businesses while improving the consumer experience by recommending relevant products amidst huge product base. Product bundling is an exciting development in the field of product recommendations. It aims at generating new bundles and recommending exciting and relevant bundles to their consumers. Unlike traditional recommender systems that recommend single items to consumers, product bundling aims at targeting a bundle, or a set of items, to the consumers. While bundle recommendation has attracted significant research interest recently, extant literature on bundle generation is scarce. Moreover, metrics to identify if a bundle is popular or not is not well studied. In this work, we aim to fulfill this gap by introducing new bundle popularity metrics based on sales, consumer experience and item diversity in a bundle. We use these metrics in the methodology proposed in this paper to generate new bundles for mobile games using content aware and context aware embeddings. We use opensource Steam Games dataset for our analysis. Our experiments indicate that we can generate new bundles that can outperform the existing bundles on the popularity metrics by 32% - 44%. Our experiments are computationally efficient and the proposed methodology is generic that can be extended to other bundling problems e.g. product bundling, music bundling.
- Abstract（参考訳）: レコメンダシステムは、企業や消費者にとって大きな価値を生み出します。
巨大なプロダクトベースの中で、関連するプロダクトを推奨することで、ビジネスの収益を上げ、消費者エクスペリエンスを改善します。
製品バンドルは、製品レコメンデーションの分野におけるエキサイティングな開発です。
新しいバンドルを生成し、エキサイティングで関連するバンドルを消費者に推奨することを目指している。
単一のアイテムを消費者に推奨する従来のレコメンデーションシステムとは異なり、製品バンドルは、バンドルや一連のアイテムを消費者にターゲットすることを目的としている。
バンドルレコメンデーションは近年大きな研究関心を集めているが、バンドル生成に関する文献は乏しい。
さらに、バンドルが普及しているかどうかを特定するためのメトリクスも十分に研究されていない。
本研究は,販売,消費者エクスペリエンス,商品の多様性に基づく新しいバンドル人気指標をバンドルに導入することによって,このギャップを埋めることを目的としている。
本稿では,コンテンツ認識とコンテキスト認識の埋め込みを用いて,モバイルゲーム用の新しいバンドルを生成する手法を提案する。
分析にはオープンソースのSteam Gamesデータセットを使用します。
実験の結果,既存のバンドルを32%～44%上回る,新たなバンドルを生成することが可能であることが示唆された。
実験は計算効率が高く,提案手法は汎用的であり,製品バンドルや音楽バンドルといった他のバンドル問題にも拡張可能である。
関連論文リスト
- A Survey on Bundle Recommendation: Methods, Applications, and Challenges [20.550845591685604]
この調査は、バンドルレコメンデーションに関する包括的なレビューを提供する。
我々は、様々なアプリケーションドメインからのバンドル戦略、すなわち識別的および生成的バンドルレコメンデーションに基づいて、それを2つのカテゴリに分類する。
本稿では,本研究の課題を論じ,バンドルレコメンデーション分野における将来的な方向性を明らかにするとともに,研究者や実践者にとって有用なリソースとなることを目的とする。
論文 参考訳（メタデータ） (2024-11-01T03:43:50Z) - Exploring Fine-grained Retail Product Discrimination with Zero-shot Object Classification Using Vision-Language Models [50.370043676415875]
スマートリテールアプリケーションでは、多数の製品とその頻繁なターンオーバーは信頼性の高いゼロショットオブジェクト分類方法を必要とする。
我々は28の異なる製品カテゴリからなるMIMEXデータセットを紹介した。
我々は、提案したMIMEXデータセット上で、最先端ビジョン言語モデル(VLM)のゼロショットオブジェクト分類性能をベンチマークする。
論文 参考訳（メタデータ） (2024-09-23T12:28:40Z) - Cold-start Bundle Recommendation via Popularity-based Coalescence and
Curriculum Heating [16.00757636715368]
既存のコールドスタートアイテムレコメンデーションの方法は、バンドルに簡単には適用できない。
我々はコールドスタートバンドルレコメンデーションのための正確なアプローチであるCoHeatを提案する。
CoHeatはコールドスタートバンドルレコメンデーションにおいて優れたパフォーマンスを示しており、最高の競合相手に比べて193%高いnDCG@20を実現している。
論文 参考訳（メタデータ） (2023-10-05T18:02:03Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - Accurate Bundle Matching and Generation via Multitask Learning with
Partially Shared Parameters [26.86672946938231]
バンドルマッチングと生成の正確なアプローチである BundleMage を提案する。
本稿では,バンドルマッチングにおけるnDCGの最大6.6%,バンドル生成におけるnDCGの最大6.3倍を達成することを示す。
論文 参考訳（メタデータ） (2022-10-19T09:46:20Z) - Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。
ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。
ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
論文 参考訳（メタデータ） (2022-06-01T13:46:25Z) - 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) - Personalized Bundle Recommendation in Online Games [24.16330519588066]
本稿では,バンドルレコメンデーション(bundle recommendation)という,実用的かつあまり検討されていないレコメンデーション問題について述べる。
歴史的相互作用から構築した3部グラフ上のリンク予測問題として定式化する。
3つの公開データセットと1つの産業ゲームデータセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-04-12T09:28:16Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-05-07T13:48:26Z) - Scalable bundling via dense product embeddings [1.933681537640272]
バンドルとは,2つ以上の製品をディスカウントで共同販売するプラクティスである。
我々は,大規模なクロスカテゴリ小売環境でバンドルを設計するための,機械学習による新しい手法を開発した。
埋め込みベースの製品は、バンドルの成功の強力な予測要因であり、製品全体にわたって堅牢であり、小売業者全体の構成によく当てはまります。
論文 参考訳（メタデータ） (2020-01-31T23:34:56Z)
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。