論文の概要: Multi-Modality Transformer for E-Commerce: Inferring User Purchase Intention to Bridge the Query-Product Gap

• arxiv url: http://arxiv.org/abs/2501.14826v1
• Date: Tue, 21 Jan 2025 23:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:59:49.782467
• Title: Multi-Modality Transformer for E-Commerce: Inferring User Purchase Intention to Bridge the Query-Product Gap
• Title（参考訳）: 電子商取引のためのマルチモーダルトランスフォーマー:クエリ-製品ギャップを橋渡しするためのユーザ購入意図の推測
• Authors: Srivatsa Mallapragada, Ying Xie, Varsha Rani Chawan, Zeyad Hailat, Yuanbo Wang,
• Abstract要約: PINCERは初期ユーザクエリを擬似積表現に変換する。 我々は,eコマースオンライン検索における最先端の代替手段よりも,モデルの性能が優れていることを実証する。
• 参考スコア（独自算出の注目度）: 1.2356255208135267
• License:
• Abstract: E-commerce click-stream data and product catalogs offer critical user behavior insights and product knowledge. This paper propose a multi-modal transformer termed as PINCER, that leverages the above data sources to transform initial user queries into pseudo-product representations. By tapping into these external data sources, our model can infer users' potential purchase intent from their limited queries and capture query relevant product features. We demonstrate our model's superior performance over state-of-the-art alternatives on e-commerce online retrieval in both controlled and real-world experiments. Our ablation studies confirm that the proposed transformer architecture and integrated learning strategies enable the mining of key data sources to infer purchase intent, extract product features, and enhance the transformation pipeline from queries to more accurate pseudo-product representations.
• Abstract（参考訳）: Eコマースのクリックストリームデータと製品カタログは、重要なユーザ行動の洞察と製品知識を提供する。 本稿では, PINCERと呼ばれるマルチモーダルトランスフォーマーを提案し, 上記のデータソースを利用して, 初期ユーザクエリを擬似積表現に変換する。 これらの外部データソースをタップすることで、私たちのモデルは、限られたクエリからユーザの潜在的購入意図を推測し、クエリに関連する製品機能を取得することができる。 我々は,制御および実世界の実験において,電子商取引オンライン検索における最先端の代替手段よりも優れた性能を示す。 本研究は,提案したトランスフォーマーアーキテクチャと統合学習戦略により,キーデータソースのマイニングにより,購入意図を推測し,製品の特徴を抽出し,クエリからより正確な擬似積表現への変換パイプラインを拡張できることを確認した。

関連論文リスト

• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Enhanced E-Commerce Attribute Extraction: Innovating with Decorative Relation Correction and LLAMA 2.0-Based Annotation [4.81846973621209]
  本稿では,分類のためのBERT,属性値抽出のための条件付きランダムフィールド(CRF)層,データアノテーションのための大規模言語モデル(LLM)を統合した先駆的フレームワークを提案する。 提案手法は, CRFのシーケンス復号技術と相乗化したBERTの頑健な表現学習を利用して, 属性値の同定と抽出を行う。 私たちの方法論は、Walmart、BestBuyのEコマースNERデータセット、CoNLLデータセットなど、さまざまなデータセットで厳格に検証されています。
  論文  参考訳（メタデータ） (2023-12-09T08:26:30Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• Automated Extraction of Fine-Grained Standardized Product Information from Unstructured Multilingual Web Data [66.21317300595483]
  機械学習の最近の進歩と最近発表された多言語データセットが組み合わさって、堅牢な製品属性抽出を可能にしていることを示す。 私たちのモデルは、オンラインショップや言語、あるいはその両方で、確実に製品属性を予測できます。
  論文  参考訳（メタデータ） (2023-02-23T16:26:11Z)
• A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data [7.427088261927881]
  提案されたモデルは、6つの言語で11のマーケットプレースのための大規模なEコマースウェブサイトにデプロイされている。 提案モデルにより,オンラインA/B実験により,収益が19%向上することが実証された。
  論文  参考訳（メタデータ） (2022-11-04T15:57:19Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• 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)
• ACE-BERT: Adversarial Cross-modal Enhanced BERT for E-commerce Retrieval [6.274310862007448]
  本稿では,効率的なEコマース検索のための新しいアドリラルクロスモーダル拡張BERT(ACE-BERT)を提案する。 事前訓練された拡張BERTをバックボーンネットワークとして、ACE-BERTは異なるモダリティ表現の分布一貫性を確保するために、逆学習を採用する。 実験の結果,ACE-BERTは検索作業における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2021-12-14T07:36:20Z)
• 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)
• Probing Product Description Generation via Posterior Distillation [39.65544829475079]
  高品質な顧客レビューは、ユーザ主導の側面を掘り下げるのに理想的なソースだと見なすことができます。 既存の作品はアイテム情報のみに基づいて製品記述を生成する傾向がある。 本稿では,顧客レビューからユーザ主導の情報を活用可能なTransformerアーキテクチャに基づく適応型後部ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-02T09:38:38Z)
• 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。