論文の概要: IU4Rec: Interest Unit-Based Product Organization and Recommendation for E-Commerce Platform

• arxiv url: http://arxiv.org/abs/2502.07658v1
• Date: Tue, 11 Feb 2025 15:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:05:36.949307
• Title: IU4Rec: Interest Unit-Based Product Organization and Recommendation for E-Commerce Platform
• Title（参考訳）: IU4Rec: 興味深いユニットベースの製品組織とEコマースプラットフォームの勧告
• Authors: Wenhao Wu, Xiaojie Li, Lin Wang, Jialiang Zhou, Di Wu, Qinye Xie, Qingheng Zhang, Yin Zhang, Shuguang Han, Fei Huang, Junfeng Chen,
• Abstract要約: 個々の売り手から投稿された新入の品目の多くは限定在庫で販売され、一度販売されると流通できなくなることが多い。 textbfInterest textbfUnitベースの2段階 textbfRecommendation システムフレームワークである textbfIU4Rec を紹介する。 第一段階では、これらの関心ユニットを推奨し、幅広い関心を集めている。 第2段階では、ユーザーが選択した製品の中から最適な選択肢を見つけるよう誘導する。
• 参考スコア（独自算出の注目度）: 43.562618054958925
• License:
• Abstract: Most recommendation systems typically follow a product-based paradigm utilizing user-product interactions to identify the most engaging items for users. However, this product-based paradigm has notable drawbacks for Xianyu~\footnote{Xianyu is China's largest online C2C e-commerce platform where a large portion of the product are post by individual sellers}. Most of the product on Xianyu posted from individual sellers often have limited stock available for distribution, and once the product is sold, it's no longer available for distribution. This result in most items distributed product on Xianyu having relatively few interactions, affecting the effectiveness of traditional recommendation depending on accumulating user-item interactions. To address these issues, we introduce \textbf{IU4Rec}, an \textbf{I}nterest \textbf{U}nit-based two-stage \textbf{Rec}ommendation system framework. We first group products into clusters based on attributes such as category, image, and semantics. These IUs are then integrated into the Recommendation system, delivering both product and technological innovations. IU4Rec begins by grouping products into clusters based on attributes such as category, image, and semantics, forming Interest Units (IUs). Then we redesign the recommendation process into two stages. In the first stage, the focus is on recommend these Interest Units, capturing broad-level interests. In the second stage, it guides users to find the best option among similar products within the selected Interest Unit. User-IU interactions are incorporated into our ranking models, offering the advantage of more persistent IU behaviors compared to item-specific interactions. Experimental results on the production dataset and online A/B testing demonstrate the effectiveness and superiority of our proposed IU-centric recommendation approach.
• Abstract（参考訳）: ほとんどのレコメンデーションシステムは、一般的に、ユーザと製品間のインタラクションを利用して、ユーザにとって最も魅力的なアイテムを特定する、製品ベースのパラダイムに従う。 しかし、この製品ベースのパラダイムは、中国最大のオンラインC2C電子商取引プラットフォームであるXianyu〜\footnote{Xianyuに顕著な欠点がある。 個々の売り手から投稿された新入の商品のほとんどは、限定在庫で販売され、一度販売されると、流通できなくなることが多い。 その結果, Xianyu 上での商品流通は比較的少ないものが多く,ユーザとイテムのインタラクションの蓄積による従来のレコメンデーションの有効性に影響を及ぼすことがわかった。 これらの問題に対処するために、我々は、textbf{IU4Rec}, an \textbf{I}nterest \textbf{U}nit-based two-stage \textbf{Rec}ommendation system frameworkを紹介する。 まず、カテゴリ、イメージ、セマンティクスといった属性に基づいて、プロダクトをクラスタにグループ化する。 これらのIUはレコメンデーションシステムに統合され、製品と技術の両方のイノベーションを提供する。 IU4Recは、商品をカテゴリ、イメージ、セマンティクスなどの属性に基づいてクラスタにまとめて、関心ユニット(IU)を形成することから始まる。 そして、リコメンデーションプロセスを2つのステージに再設計します。 第一段階では、これらの関心ユニットを推奨し、幅広い関心を集めている。 第2段階では、ユーザーが選択した関心ユニットの中で、類似製品の中で最良の選択肢を見つけるように誘導する。 ユーザとIUのインタラクションはランキングモデルに組み込まれ、アイテム固有のインタラクションよりも永続的なIUの振る舞いの利点を提供する。 生産データセットとオンラインA/Bテストの実験結果から,提案したIU中心の推奨手法の有効性と優位性を実証した。

関連論文リスト

• Centrality-aware Product Retrieval and Ranking [14.710718676076327]
  本稿では,ユーザの検索クエリに関連する製品ランキングを強化することで,eコマースプラットフォーム上でのユーザエクスペリエンス向上の課題に対処する。 eBayのサンプルをキュレートし、購入者中心の関連スコアと集中度スコアを手作業でアノテートしました。 本稿では,既存モデルに対するユーザインテリジェンス中心性最適化(UCO)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-21T11:59:14Z)
• Price-guided user attention in large-scale E-commerce group recommendation [4.899646467568438]
  実世界のEコマースデータセット上で広く利用されているグループ推薦モデルから,ユーザの注意点を分析した。 本稿では,ユーザアグリゲーションの指針として,アイテム価格を取り入れたグループ推薦手法を提案する。 以上の結果から,我々の価格誘導型ユーザアテンションアプローチは,ヒット率と平均二乗誤差で最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-02T22:46:51Z)
• 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)
• 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)
• Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations [2.294014185517203]
  製品に2つの埋め込み表現を活用することで、補足的項目の発見に新しいアプローチを適用する。 我々のモデルは実装が簡単であり、あらゆるeコマースウェブサイトで補完的なアイテムレコメンデーションを生成するための優れた候補となる。
  論文  参考訳（メタデータ） (2022-11-28T00:58:21Z)
• 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)
• CUSTOM: Aspect-Oriented Product Summarization for E-Commerce [33.148235036915885]
  製品要約は、商品の説明を自動的に生成することを目的としています。 異なる製品面での顧客の好みを考えると、アスペクト指向のカスタマイズされた要約を生成するメリットがあるでしょう。 我々は,多様かつ制御可能な要約を異なる製品面に向けて生成するCUSTOMを提案する。
  論文  参考訳（メタデータ） (2021-08-18T07:26:22Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• Dual-embedding based Neural Collaborative Filtering for Recommender Systems [0.7949579654743338]
  本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。 ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
  論文  参考訳（メタデータ） (2021-02-04T11:32:11Z)
• 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)

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。