論文の概要: Click A, Buy B: Rethinking Conversion Attribution in E- Commerce Recommendations
- arxiv url: http://arxiv.org/abs/2507.15113v1
- Date: Sun, 20 Jul 2025 20:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.201361
- Title: Click A, Buy B: Rethinking Conversion Attribution in E- Commerce Recommendations
- Title（参考訳）: クリックA、購入B:Eコマースレコメンデーションにおけるコンバージョン属性の再考
- Authors: Xiangyu Zeng, Amit Jaspal, Bin Liu, Goutham Panneeru, Kevin Huang, Nicolas Bievre, Mohit Jaggi, Prathap Maniraju, Ankur Jain,
- Abstract要約: 本稿では,Click A Buy A (CABA) およびClick A Buy B (CABB) 変換のための分類学的手法を提案する。
電子商取引セッションのオフライン評価は、通常のエントロピーを13.9%削減する。
ライブトラフィックにおけるオンラインA/Bテストは、主要なビジネス指標で+0.25%の利得を示している。
- 参考スコア（独自算出の注目度）: 5.1943141252224505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User journeys in e-commerce routinely violate the one-to-one assumption that a clicked item on an advertising platform is the same item later purchased on the merchant's website/app. For a significant number of converting sessions on our platform, users click product A but buy product B -- the Click A, Buy B (CABB) phenomenon. Training recommendation models on raw click-conversion pairs therefore rewards items that merely correlate with purchases, leading to biased learning and sub-optimal conversion rates. We reframe conversion prediction as a multi-task problem with separate heads for Click A Buy A (CABA) and Click A Buy B (CABB). To isolate informative CABB conversions from unrelated CABB conversions, we introduce a taxonomy-aware collaborative filtering weighting scheme where each product is first mapped to a leaf node in a product taxonomy, and a category-to-category similarity matrix is learned from large-scale co-engagement logs. This weighting amplifies pairs that reflect genuine substitutable or complementary relations while down-weighting coincidental cross-category purchases. Offline evaluation on e-commerce sessions reduces normalized entropy by 13.9% versus a last-click attribution baseline. An online A/B test on live traffic shows +0.25% gains in the primary business metric.
- Abstract（参考訳）: 電子商取引でのユーザー旅行は、広告プラットフォーム上でクリックされたアイテムが後に商店のウェブサイト/アプリで購入されたものと同じものであるという1対1の仮定に常に違反する。
当社のプラットフォーム上での変換セッションのかなりの数について、ユーザは製品Aをクリックするが、製品B(Click A, Buy B (CABB) 現象)を購入する。
したがって、生クリック変換ペアのトレーニング推奨モデルは、購入と単に相関する項目に報酬を与え、バイアス付き学習と準最適変換率をもたらす。
我々は、Click A Buy A (CABA) と Click A Buy B (CABB) の別個のヘッドを持つマルチタスク問題として変換予測を再構成した。
関連のないCABB変換から情報化CABB変換を分離するために,製品分類において各製品を最初に葉ノードにマッピングし,大規模統合ログからカテゴリ間類似度行列を学習する分類対応協調フィルタリング方式を導入する。
この重み付けは、真に置換可能なまたは相補的な関係を反映したペアを増幅し、重み付けは偶然のクロスカテゴリー購入を減少させる。
電子商取引セッションのオフライン評価は、通常のエントロピーを13.9%削減する。
ライブトラフィックにおけるオンラインA/Bテストは、主要なビジネス指標で+0.25%の利得を示している。
関連論文リスト
- SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation [14.449201436664692]
コールドスタート勧告フレームワークのためのセマンティックビヘイビアアライメントを提案する。
まず、ドメイン固有の知識を活用して、意味表現を生成するためにマルチモーダルエンコーダを訓練する。
第二に、残差量子化セマンティックIDを用いて、マルチモーダル表現とランキングモデルの間のギャップを動的にブリッジする。
論文 参考訳（メタデータ） (2025-08-02T14:09:21Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - 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) - UniMatch: A Unified User-Item Matching Framework for the Multi-purpose
Merchant Marketing [27.459774494479227]
1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
論文 参考訳（メタデータ） (2023-07-19T13:49:35Z) - Improving Text Matching in E-Commerce Search with A Rationalizable,
Intervenable and Fast Entity-Based Relevance Model [78.80174696043021]
エンティティベース関連モデル(EBRM)と呼ばれる新しいモデルを提案する。
この分解により、高精度にクロスエンコーダQE関連モジュールを使用できる。
また、ユーザログから自動生成されたQEデータによるQEモジュールの事前トレーニングにより、全体的なパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-07-01T15:44:53Z) - Incremental Profit per Conversion: a Response Transformation for Uplift
Modeling in E-Commerce Promotions [1.7640556247739623]
本稿では,購入時にのみ費用が発生する応答依存コストによるプロモーションに焦点を当てた。
既存のアップリフトモデルアプローチでは、メタラーナーのような複数のモデルをトレーニングする必要がしばしばあります。
本稿では, ユニット・エコノミクスにおける促進キャンペーンの効率を向上する新たな指標であるIncrmental Profit per Conversion(IPC)を紹介する。
論文 参考訳（メタデータ） (2023-06-23T19:46:02Z) - 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) - 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) - 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) - Learning over no-Preferred and Preferred Sequence of items for Robust
Recommendation [66.8722561224499]
暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。
本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
論文 参考訳（メタデータ） (2020-12-12T22:10:15Z) - Learning Robust Models for e-Commerce Product Search [23.537201383165755]
検索クエリ意図にマッチしないアイテムを表示することは、eコマースにおける顧客エクスペリエンスを低下させる。
問題を緩和するには、大きなラベル付きデータセットが必要である。
我々は、ミスマッチを効果的に分類することを学ぶ、深いエンドツーエンドモデルを開発する。
論文 参考訳（メタデータ） (2020-05-07T17:22:21Z)
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。