論文の概要: Style4Rec: Enhancing Transformer-based E-commerce Recommendation Systems with Style and Shopping Cart Information

• arxiv url: http://arxiv.org/abs/2501.09354v1
• Date: Thu, 16 Jan 2025 08:05:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:10:56.751071
• Title: Style4Rec: Enhancing Transformer-based E-commerce Recommendation Systems with Style and Shopping Cart Information
• Title（参考訳）: Style4Rec:Style and Shopping Cart InformationによるトランスフォーマーベースのEコマースレコメンデーションシステムの実現
• Authors: Berke Ugurlu, Ming-Yi Hong, Che Lin,
• Abstract要約: Style4Recはトランスフォーマーベースのeコマースレコメンデーションシステムである。 スタイルとショッピングカート情報を利用して、既存のシーケンシャルな製品レコメンデーションシステムを強化する。
• 参考スコア（独自算出の注目度）: 34.28332024639081
• License:
• Abstract: Understanding users' product preferences is essential to the efficacy of a recommendation system. Precision marketing leverages users' historical data to discern these preferences and recommends products that align with them. However, recent browsing and purchase records might better reflect current purchasing inclinations. Transformer-based recommendation systems have made strides in sequential recommendation tasks, but they often fall short in utilizing product image style information and shopping cart data effectively. In light of this, we propose Style4Rec, a transformer-based e-commerce recommendation system that harnesses style and shopping cart information to enhance existing transformer-based sequential product recommendation systems. Style4Rec represents a significant step forward in personalized e-commerce recommendations, outperforming benchmarks across various evaluation metrics. Style4Rec resulted in notable improvements: HR@5 increased from 0.681 to 0.735, NDCG@5 increased from 0.594 to 0.674, and MRR@5 increased from 0.559 to 0.654. We tested our model using an e-commerce dataset from our partnering company and found that it exceeded established transformer-based sequential recommendation benchmarks across various evaluation metrics. Thus, Style4Rec presents a significant step forward in personalized e-commerce recommendation systems.
• Abstract（参考訳）: ユーザの製品嗜好を理解することは,レコメンデーションシステムの有効性に不可欠である。 精度マーケティングは、ユーザの履歴データを活用して、これらの嗜好を識別し、それらと整合する製品を推奨する。 しかし、近年の閲覧・購入記録は、現在の購入傾向を反映している可能性がある。 トランスフォーマーベースのレコメンデーションシステムは、逐次レコメンデーションタスクに力を入れてきたが、製品イメージスタイル情報やショッピングカートデータを有効に活用するに足りていないことが多い。 そこで我々は,トランスフォーマーをベースとしたeコマースレコメンデーションシステムであるStyle4Recを提案する。 Style4Recは、パーソナライズされたeコマースレコメンデーションにおける重要な一歩であり、さまざまな評価指標でベンチマークを上回っている。 HR@5は0.681から0.735に、NDCG@5は0.594から0.674に、MRR@5は0.559から0.654に増加した。 パートナー企業からのEコマースデータセットを使用してモデルをテストしたところ、さまざまな評価指標で確立されたトランスフォーマーベースのシーケンシャルレコメンデーションベンチマークを超えたことが分かりました。 そこでStyle4Recは、パーソナライズされたeコマースレコメンデーションシステムにおいて、大きな一歩を踏み出した。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Leveraging Large Language Models to Enhance Personalized Recommendations in E-commerce [6.660249346977347]
  本研究では,eコマースのパーソナライズされたレコメンデーションシステムにおける大規模言語モデル(LLM)の適用について検討する。 LLMは、ユーザコメントと製品記述データの深いセマンティック理解を通じて、ユーザの暗黙的なニーズを効果的に捉えます。 この研究は、パーソナライズされたレコメンデーション分野においてLLMが大きなアドバンテージがあることを示し、ユーザーエクスペリエンスを改善し、プラットフォーム販売の成長を促進することを示唆している。
  論文  参考訳（メタデータ） (2024-10-02T13:59:56Z)
• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Sequential Recommendation Model for Next Purchase Prediction [2.8944480776764308]
  我々は,270万以上のクレジットカード取引のプロダクションデータセットを利用して,シーケンシャルレコメンデーションシステムの有効性を実証し,ランク付けする。 また、スケーラブルで低レイテンシでイベントベースのデジタルエクスペリエンスアーキテクチャであるNexusにシーケンシャルRSを使用してリアルタイム予測を組み込む場合の意義についても論じる。
  論文  参考訳（メタデータ） (2022-07-06T17:42:58Z)
• 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)
• TTRS: Tinkoff Transactions Recommender System benchmark [62.997667081978825]
  TTRS - Tinkoff Transactions Recommender Systemベンチマークを示す。 この金融取引ベンチマークには、約1万人のユーザーと、14ヶ月で1000以上の商業ブランドの間で200万以上のインタラクションが含まれている。 また,現在普及しているRecSys手法を次の期間の推薦タスクで総合的に比較し,その性能を様々な指標や推奨目標に対して詳細に分析する。
  論文  参考訳（メタデータ） (2021-10-11T20:04:07Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Variational Inference for Category Recommendation in E-Commerce platforms [10.64460581091531]
  eコマースプラットフォーム上のユーザのカテゴリレコメンデーションは、Webサイトのトラフィックの流れを規定する上で重要なタスクである。 したがって、利用者がプラットフォームを旅するのを助け、新しいカテゴリーの発見を支援するために、正確で多様なカテゴリーの推奨事項を提示することが重要である。
  論文  参考訳（メタデータ） (2021-04-15T20:09:20Z)
• 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)
• Personalized Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
  電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。 データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
  論文  参考訳（メタデータ） (2021-02-11T17:58:51Z)

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。