論文の概要: Recommendation systems in e-commerce applications with machine learning methods

• arxiv url: http://arxiv.org/abs/2506.17287v1
• Date: Sun, 15 Jun 2025 10:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.310988
• Title: Recommendation systems in e-commerce applications with machine learning methods
• Title（参考訳）: 機械学習を用いた電子商取引アプリケーションにおける勧告システム
• Authors: Aneta Poniszewska-Maranda, Magdalena Pakula, Bozena Borowska,
• Abstract要約: 電子商取引プラットフォームは、ユーザー体験を高め、顧客を維持し、ほとんどの場合、売上を伸ばすためのレコメンデーションシステムにますます依存している。 これらのシステムへの機械学習手法の統合により、効率性、パーソナライゼーション、スケーラビリティが大幅に向上した。 本稿は,eコマースレコメンデーションシステムの現在の傾向を強調し,課題を特定し,使用する機械学習手法の有効性を評価することを目的とする。
• 参考スコア（独自算出の注目度）: 0.44998333629984877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-commerce platforms are increasingly reliant on recommendation systems to enhance user experience, retain customers, and, in most cases, drive sales. The integration of machine learning methods into these systems has significantly improved their efficiency, personalization, and scalability. This paper aims to highlight the current trends in e-commerce recommendation systems, identify challenges, and evaluate the effectiveness of various machine learning methods used, including collaborative filtering, content-based filtering, and hybrid models. A systematic literature review (SLR) was conducted, analyzing 38 publications from 2013 to 2025. The methods used were evaluated and compared to determine their performance and effectiveness in addressing e-commerce challenges.
• Abstract（参考訳）: 電子商取引プラットフォームは、ユーザー体験を高め、顧客を維持し、ほとんどの場合、売上を伸ばすためのレコメンデーションシステムにますます依存している。 これらのシステムへの機械学習手法の統合により、効率性、パーソナライゼーション、スケーラビリティが大幅に向上した。 本稿では,eコマースレコメンデーションシステムの現状を強調し,課題を特定し,協調フィルタリング,コンテンツベースフィルタリング,ハイブリッドモデルなど,さまざまな機械学習手法の有効性を評価することを目的とする。 2013年から2025年までの38の出版物を解析し、体系的文献レビュー(SLR)を行った。 得られた手法を評価・比較し,eコマースの課題に対処する上での性能と有効性について検討した。

関連論文リスト

• Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems [0.0]
  本研究では,イランにおける大規模レコメンデーションシステムの比較分析を行った。 このシステムは、コンテンツベース、協調フィルタリング、トレンドベース手法、ハイブリッドアプローチを用いた、ユーザベースおよびアイテムベースのレコメンデーションを採用している。 評価方法は,手動による評価,ヒットレート@kやnDCGなどの評価指標を含むオフラインテスト,クリックスルーレート(CTR)によるオンラインテストなどである。
  論文  参考訳（メタデータ） (2024-11-02T20:05:31Z)
• Intelligent Classification and Personalized Recommendation of E-commerce Products Based on Machine Learning [2.152073242131379]
  本稿では、eコマース、コンテンツ情報、メディアドメインにおけるパーソナライズされたレコメンデーションシステムの重要性と応用について考察する。 データプライバシ、アルゴリズムバイアス、スケーラビリティ、コールドスタート問題など、Eコマースにおいてパーソナライズされたレコメンデーションシステムに直面する課題を概説する。 本稿では、BERTモデルと近隣のアルゴリズムを利用したパーソナライズされたレコメンデーションシステムの概要を述べる。
  論文  参考訳（メタデータ） (2024-03-28T12:02:45Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• An Efficient Recommendation System in E-commerce using Passer learning optimization based on Bi-LSTM [4.483925165891734]
  本稿では,eコマースレコメンデーションシステムに適用可能なPasser Learning Optimization-enhanced Bi-LSTM分類器に基づくレコメンデーションシステムを提案する。 赤ちゃんデータセットで1.24%のMSEを達成する。これにより、88.58%まで上昇する。また、デジタル音楽とパティオ芝生の庭のデータセットのF1の88.46%と92.51%の堅牢なパフォーマンスもある。
  論文  参考訳（メタデータ） (2023-07-31T20:09:25Z)
• 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)
• A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems [1.3124513975412255]
  協調フィルタリング(CF)は、あるユーザグループの既知の好みを利用して、他のユーザの未知の好みに関する予測とレコメンデーションを行う。 1990年代に初めて導入され、様々なモデルが提案されている。 多くの分野で機械学習技術の成功により、リコメンデーションシステムにおけるそのようなアルゴリズムの適用に重点が置かれている。
  論文  参考訳（メタデータ） (2021-06-20T11:13:33Z)
• Heterogeneous Demand Effects of Recommendation Strategies in a Mobile Application: Evidence from Econometric Models and Machine-Learning Instruments [73.7716728492574]
  本研究では,モバイルチャネルにおける様々なレコメンデーション戦略の有効性と,個々の製品に対する消費者の実用性と需要レベルに与える影響について検討する。 提案手法では, 有効性に有意な差が認められた。 我々は,ユーザ生成レビューのディープラーニングモデルに基づいて,製品分化(アイソレーション)をキャプチャする新しいエコノメトリ機器を開発した。
  論文  参考訳（メタデータ） (2021-02-20T22:58:54Z)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)

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。