論文の概要: A Multi-tiered Solution for Personalized Baggage Item Recommendations using FastText and Association Rule Mining

• arxiv url: http://arxiv.org/abs/2501.09359v1
• Date: Thu, 16 Jan 2025 08:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:08:41.705759
• Title: A Multi-tiered Solution for Personalized Baggage Item Recommendations using FastText and Association Rule Mining
• Title（参考訳）: ファストテキストとアソシエーションルールマイニングを用いたパーソナライズされたバッグアイテムレコメンデーションのための多層ソリューション
• Authors: Mudavath Ravi, Atul Negi,
• Abstract要約: 本稿では,旅行者を対象としたパッケージングを最適化するインテリジェントバッグアイテムレコメンデーションシステムを提案する。 このシステムは、効率的な荷物スペースの利用、重量制限の遵守、旅行体験の向上を保証する。 パフォーマンスは、カバレッジ、サポート、信頼、リフト、レバレッジ、信念といったメトリクスを使って評価されます。
• 参考スコア（独自算出の注目度）: 0.6138671548064356
• License:
• Abstract: This paper introduces an intelligent baggage item recommendation system to optimize packing for air travelers by providing tailored suggestions based on specific travel needs and destinations. Using FastText word embeddings and Association Rule Mining (ARM), the system ensures efficient luggage space utilization, compliance with weight limits, and an enhanced travel experience. The methodology comprises four phases: (1) data collection and preprocessing with pre-trained FastText embeddings for text representation and similarity scoring (2) a content-based recommendation system enriched by user search history (3) application of ARM to user interactions to uncover meaningful item associations and (4) integration of FastText and ARM for accurate, personalized recommendations. Performance is evaluated using metrics such as coverage, support, confidence, lift, leverage, and conviction. Results demonstrate the system's effectiveness in providing relevant suggestions, improving customer satisfaction, and simplifying the packing process. These insights advance personalized recommendations, targeted marketing, and product optimization in air travel and beyond.
• Abstract（参考訳）: 本稿では,旅行者に対して,特定の旅行ニーズや目的地に基づいて適切な提案を行うことで,旅行者への荷物の梱包を最適化するインテリジェントバッグアイテムレコメンデーションシステムを提案する。 FastTextワードの埋め込みとアソシエーションルールマイニング(ARM)を用いることで、効率的な荷物スペースの利用、重量制限の遵守、旅行体験の向上を実現している。 本手法は,(1) テキスト表現と類似度スコアリングのための事前学習されたFastText埋め込みによるデータ収集と事前処理(2) ユーザ検索履歴に富んだコンテンツベースレコメンデーションシステム(3) 意味のある項目関連を明らかにするためのARMのユーザインタラクションへの応用(4) 正確でパーソナライズされたレコメンデーションのためのFastTextとARMの統合,の4段階からなる。 パフォーマンスは、カバレッジ、サポート、信頼、リフト、レバレッジ、信念といったメトリクスを使って評価されます。 結果は、関連する提案の提供、顧客満足度の向上、パッケージングプロセスの簡素化におけるシステムの有効性を示す。 これらの洞察は、パーソナライズされたレコメンデーション、マーケティングのターゲット、航空旅行などにおける製品の最適化を促進する。

関連論文リスト

• Knowledge Graph Enhanced Language Agents for Recommendation [29.20755410537792]
  本稿では,レコメンデーションシステムのための言語エージェントと知識グラフを統合するフレームワークを提案する。 シミュレーションされたレコメンデーションシナリオでは、ユーザとアイテムをKG内に配置し、KGパスを自然言語記述として統合する。 これにより、言語エージェントは相互に相互作用し、相互作用の背後にある十分な根拠を発見することができる。
  論文  参考訳（メタデータ） (2024-10-25T15:25:36Z)
• Uncertainty-Aware Explainable Recommendation with Large Language Models [15.229417987212631]
  GPT-2のプロンプトとしてユーザおよびアイテム入力のIDベクトルを利用するモデルを開発する。 マルチタスク学習フレームワークには,推薦タスクと説明タスクの両方を最適化するために,共同トレーニング機構が採用されている。 提案手法はYelp, TripAdvisor, Amazon のデータセット上でそれぞれ 1.59 DIV, 0.57 USR, 0.41 FCR を達成する。
  論文  参考訳（メタデータ） (2024-01-31T14:06:26Z)
• Text Matching Improves Sequential Recommendation by Reducing Popularity Biases [48.272381505993366]
  TASTEは、アイテムの識別子と属性を使用して、アイテムとユーザとイテムのインタラクションを言語化する。 実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-27T07:44:33Z)
• LLM-Rec: Personalized Recommendation via Prompting Large Language Models [62.481065357472964]
  大きな言語モデル(LLM)は、常識的な知識と推論を活用する能力を示した。 大規模言語モデル(LLM)の最近の進歩は、コモンセンスの知識と推論を活用できることを顕著に示している。 本研究では,パーソナライズされたテキストベースのレコメンデーションを改善するために,テキストエンリッチメントの4つの異なる促進戦略を取り入れた新しいアプローチ LLM-Rec を提案する。
  論文  参考訳（メタデータ） (2023-07-24T18:47:38Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• 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)
• Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion [77.21442487537139]
  対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。 まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。 第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
  論文  参考訳（メタデータ） (2020-07-08T11:14:23Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。