論文の概要: You Are What You Bought: Generating Customer Personas for E-commerce Applications
- arxiv url: http://arxiv.org/abs/2504.17304v1
- Date: Thu, 24 Apr 2025 06:59:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.275862
- Title: You Are What You Bought: Generating Customer Personas for E-commerce Applications
- Title（参考訳）: Eコマースアプリケーションのためのカスタマペルソナの生成
- Authors: Yimin Shi, Yang Fei, Shiqi Zhang, Haixun Wang, Xiaokui Xiao,
- Abstract要約: 本稿では,顧客ペルソナの概念を紹介する。
顧客ペルソナは、特定の購入行動や嗜好の多面的かつ人間可読な特徴を提供する。
我々は,ペルソナをベースとした表現の性能を,レコメンデーションタスクや顧客セグメンテーションタスクの正確性と堅牢性の観点から評価する。
NDCG@KとF1-Score@Kの両面で、顧客のペルソナ表現の統合により、最先端のグラフベースのレコメンデーションモデルが最大12%向上することがわかった。
- 参考スコア（独自算出の注目度）: 22.012818753574905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In e-commerce, user representations are essential for various applications. Existing methods often use deep learning techniques to convert customer behaviors into implicit embeddings. However, these embeddings are difficult to understand and integrate with external knowledge, limiting the effectiveness of applications such as customer segmentation, search navigation, and product recommendations. To address this, our paper introduces the concept of the customer persona. Condensed from a customer's numerous purchasing histories, a customer persona provides a multi-faceted and human-readable characterization of specific purchase behaviors and preferences, such as Busy Parents or Bargain Hunters. This work then focuses on representing each customer by multiple personas from a predefined set, achieving readable and informative explicit user representations. To this end, we propose an effective and efficient solution GPLR. To ensure effectiveness, GPLR leverages pre-trained LLMs to infer personas for customers. To reduce overhead, GPLR applies LLM-based labeling to only a fraction of users and utilizes a random walk technique to predict personas for the remaining customers. We further propose RevAff, which provides an absolute error $\epsilon$ guarantee while improving the time complexity of the exact solution by a factor of at least $O(\frac{\epsilon\cdot|E|N}{|E|+N\log N})$, where $N$ represents the number of customers and products, and $E$ represents the interactions between them. We evaluate the performance of our persona-based representation in terms of accuracy and robustness for recommendation and customer segmentation tasks using three real-world e-commerce datasets. Most notably, we find that integrating customer persona representations improves the state-of-the-art graph convolution-based recommendation model by up to 12% in terms of NDCG@K and F1-Score@K.
- Abstract（参考訳）: 電子商取引では、様々なアプリケーションにユーザ表現が不可欠である。
既存の手法では、顧客の振る舞いを暗黙の埋め込みに変換するためにディープラーニング技術を使うことが多い。
しかし、これらの埋め込みは外部知識の理解と統合が困難であり、顧客のセグメンテーション、検索ナビゲーション、製品レコメンデーションといったアプリケーションの有効性を制限している。
そこで本稿では,顧客ペルソナの概念を紹介する。
顧客の多くの購入履歴から導かれた顧客ペルソナは、Busy ParentsやBargain Huntersといった特定の購入行動や好みの多面的かつ人間可読な特徴を提供する。
この作業は、事前に定義されたセットから複数のペルソナによって各顧客を表現することに集中し、読みやすく、情報に富んだ明示的なユーザー表現を達成する。
そこで本研究では,効率の良いGPLRを提案する。
有効性を確保するため、GPLRは事前訓練されたLLMを活用して、顧客にペルソナを推論する。
オーバヘッドを低減するため、GPLRはLLMベースのラベルを少数のユーザに適用し、ランダムウォーク技術を用いて残りのユーザのペルソナを予測する。
さらに、絶対誤差$\epsilon$の保証を提供するRevAffを提案し、少なくとも$O(\frac{\epsilon\cdot|E|N}{|E|+N\log N})$で正確な解の時間的複雑さを改善しながら、$N$は顧客と製品の数を表し、$E$はそれらの相互作用を表す。
我々は,3つの実世界のeコマースデータセットを用いて,レコメンデーションタスクと顧客セグメンテーションタスクの精度と堅牢性の観点から,ペルソナに基づく表現のパフォーマンスを評価する。
特に、顧客のペルソナ表現を統合することで、NDCG@KとF1-Score@Kの観点から、最先端のグラフ畳み込みベースのレコメンデーションモデルが最大12%向上することがわかった。
関連論文リスト
- Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph [49.66272783945571]
クライアント関係グラフを用いた個人化フェデレーション知識グラフを提案する。
PFedEGは、近隣のクライアントから埋め込まれたエンティティを集約することで、各クライアントに対してパーソナライズされた補完知識を学習する。
我々は4つのベンチマークデータセットの広範な実験を行い、その手法を最先端モデルに対して評価する。
論文 参考訳（メタデータ） (2024-06-17T17:44:53Z) - Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning [50.060154488277036]
連合学習では、クライアントの選択はモデルの性能と公平性の両方に大きな影響を及ぼす重要な問題である。
2つの指標間の固有の対立に対処し、互いに強化する2つの原則を提案する。
提案手法は,データ分布に基づいてクライアントを選択することにより,この多様性を適応的に向上させ,モデル性能と公平性の両方を改善する。
論文 参考訳（メタデータ） (2024-05-22T12:27:24Z) - A Meta-learning based Stacked Regression Approach for Customer Lifetime
Value Prediction [3.6002910014361857]
顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)とは、取引/購入の合計金額である。
CLVは、銀行、保険、オンラインエンタテインメント、ゲーム、Eコマースなど、いくつかの異なるビジネスドメインでアプリケーションを見つける。
本稿では,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
論文 参考訳（メタデータ） (2023-08-07T14:22:02Z) - Sequence-aware item recommendations for multiply repeated user-item
interactions [0.0]
項目推薦のタスクにおいて時間次元を誘導するレコメンデータシステムを設計する。
推薦を行うために、各ユーザに対するアイテムインタラクションのシーケンスを検討する。
本手法は,小売環境におけるユーザとユーザ間のインタラクションを高精度に予測する試みである。
論文 参考訳（メタデータ） (2023-04-02T17:06:07Z) - FilFL: Client Filtering for Optimized Client Participation in Federated Learning [71.46173076298957]
フェデレートラーニングは、クライアントがローカルデータを交換することなく、協調的にモデルをトレーニングすることを可能にする。
トレーニングプロセスに参加するクライアントは、収束率、学習効率、モデル一般化に大きな影響を与えます。
本稿では,モデル一般化を改善し,クライアント参加とトレーニングを最適化する新しい手法であるクライアントフィルタリングを提案する。
論文 参考訳（メタデータ） (2023-02-13T18:55:31Z) - A Hybrid Statistical-Machine Learning Approach for Analysing Online
Customer Behavior: An Empirical Study [2.126171264016785]
我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。
以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。
特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
論文 参考訳（メタデータ） (2022-12-01T19:37:29Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-30T08:02:18Z) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
論文 参考訳（メタデータ） (2021-11-11T05:36:39Z) - Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。
ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。
分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
論文 参考訳（メタデータ） (2021-11-10T22:12:52Z) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。
本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文 参考訳（メタデータ） (2021-11-01T19:49:35Z) - Friendship is All we Need: A Multi-graph Embedding Approach for Modeling
Customer Behavior [1.181206257787103]
顧客を非線形に表現するためのマルチグラフ埋め込み手法を提案する。
我々は,友人関係の情報を入手することでのみ,ユーザの将来の行動を合理的に予測することができる。
論文 参考訳（メタデータ） (2020-10-06T14:50:05Z) - Maximizing Cumulative User Engagement in Sequential Recommendation: An
Online Optimization Perspective [26.18096797120916]
ユーザエンゲージメントの向上とユーザブラウジングの促進という、潜在的に矛盾する2つの目標をトレードオフするためには、しばしば必要となる。
より長いユーザブラウジング期間と高いユーザエンゲージメントを明示的にトレードオフする,フレキシブルで実用的なフレームワークを提案する。
このアプローチは大規模なEコマースプラットフォームにデプロイされ、累積クリックの7%以上の改善が達成されている。
論文 参考訳（メタデータ） (2020-06-02T09:02:51Z)
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。