論文の概要: SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding

• arxiv url: http://arxiv.org/abs/2507.20185v1
• Date: Sun, 27 Jul 2025 09:04:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.172884
• Title: SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding
• Title（参考訳）: SessionIntentBench:Eコマース顧客行動理解のためのマルチタスク・インターセッションインテンションシフトモデリングベンチマーク
• Authors: Yuqi Yang, Weiqi Wang, Baixuan Xu, Wei Fan, Qing Zong, Chunkit Chan, Zheye Deng, Xin Liu, Yifan Gao, Changlong Yu, Chen Luo, Yang Li, Zheng Li, Qingyu Yin, Bing Yin, Yangqiu Song,
• Abstract要約: 本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。 我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
• 参考スコア（独自算出の注目度）: 64.45047674586671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session history is a common way of recording user interacting behaviors throughout a browsing activity with multiple products. For example, if an user clicks a product webpage and then leaves, it might because there are certain features that don't satisfy the user, which serve as an important indicator of on-the-spot user preferences. However, all prior works fail to capture and model customer intention effectively because insufficient information exploitation and only apparent information like descriptions and titles are used. There is also a lack of data and corresponding benchmark for explicitly modeling intention in E-commerce product purchase sessions. To address these issues, we introduce the concept of an intention tree and propose a dataset curation pipeline. Together, we construct a sibling multimodal benchmark, SessionIntentBench, that evaluates L(V)LMs' capability on understanding inter-session intention shift with four subtasks. With 1,952,177 intention entries, 1,132,145 session intention trajectories, and 13,003,664 available tasks mined using 10,905 sessions, we provide a scalable way to exploit the existing session data for customer intention understanding. We conduct human annotations to collect ground-truth label for a subset of collected data to form an evaluation gold set. Extensive experiments on the annotated data further confirm that current L(V)LMs fail to capture and utilize the intention across the complex session setting. Further analysis show injecting intention enhances LLMs' performances.
• Abstract（参考訳）: セッション履歴は、複数の製品でブラウジング活動を通してユーザーと対話する行動を記録するための一般的な方法である。 例えば、ユーザが製品のWebページをクリックして立ち去ると、それはユーザを満足しない特定の機能があるためかもしれませんが、これはオンザスポットのユーザの好みを示す重要な指標になります。 しかし、情報利用が不十分であり、説明やタイトルといった明らかな情報しか使われていないため、事前の作業はすべて、顧客の意図を効果的に捉え、モデル化することができない。 また、Eコマース製品購入セッションにおいて、意図を明示的にモデル化するためのデータとそれに対応するベンチマークが欠如している。 これらの問題に対処するために、意図木の概念を導入し、データセットキュレーションパイプラインを提案する。 そこで我々は,L(V)LMsの4つのサブタスクによるセッション間意図シフトの理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,13,003,664のタスクを10,905のセッションでマイニングすることで,既存のセッションデータを顧客意図の理解に活用するスケーラブルな方法を提供する。 我々は、収集されたデータのサブセットに対して、人為的な注釈を収集し、評価金セットを形成する。 注釈付きデータに対する大規模な実験により、現在のL(V)LMが複雑なセッション設定全体にわたって意図を捉え、利用できないことがさらに確認された。 さらなる分析では、インジェクションインジェクションインジェクションはLLMの性能を高める。

関連論文リスト

• Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation [22.653549796453426]
  セッションベースのレコメンデーション(SBR)は、匿名セッション内でのインタラクションシーケンスを使用して、ユーザが関与する可能性のある次の項目を予測することを目的としている。 既存のSBRモデルは、セッション間の関係を無視し、価値あるクロスセッションの洞察を無視して、シングルセッションの情報のみに焦点を当てることが多い。 HIPHOPと呼ばれるセッションベースレコメンデーションのためのプラグイン型LLM型セマンティックラーニングを用いた階層型インテント誘導最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-07T02:50:04Z)
• Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale [51.9706400130481]
  大規模言語モデル(LLM)は、幅広いタスクでユーザのためのパーソナライズされたアシスタントとして登場した。 PERSONAMEMは180以上のユーザ-LLMインタラクション履歴を持つキュレートされたユーザプロファイルを備えている。 LLMチャットボットのユーザプロファイルの現在状況に応じて,最も適切な応答を識別する能力を評価する。
  論文  参考訳（メタデータ） (2025-04-19T08:16:10Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Understanding Inter-Session Intentions via Complex Logical Reasoning [50.199811535229045]
  論理セッション複雑質問応答(LS-CQA)の課題について述べる。 セッション,項目,属性を集約したハイパーグラフ上で,LS-CQAタスクとして複雑な意図理解の問題をモデル化する。 新たなモデルであるLSGT(Logical Session Graph Transformer)を導入し,各セッション間のインタラクションとその論理的接続をキャプチャする。
  論文  参考訳（メタデータ） (2023-12-21T14:03:30Z)
• Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
  グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。 まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。 ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
  論文  参考訳（メタデータ） (2023-10-14T14:29:52Z)
• Amazon-M2: A Multilingual Multi-locale Shopping Session Dataset for Recommendation and Text Generation [127.35910314813854]
  Amazon Multi-locale Shopping Sessionデータセット、すなわちAmazon-M2を提示します。 6つの異なるローカライズされた数百万のユーザセッションからなる、最初の多言語データセットである。 注目すべきは、データセットがパーソナライズとユーザの好みの理解を高めるのに役立つことだ。
  論文  参考訳（メタデータ） (2023-07-19T00:08:49Z)
• Fine-Grained Session Recommendations in E-commerce using Deep Reinforcement Learning [0.028675177318965035]
  ユーザの関心を守り、プラットフォームに関わり続けることは、Eコマースビジネスの成功にとって非常に重要である。 本研究は,ユーザが興味を抱くために,ユーザに対して商品のシーケンスを推奨することを目的とする,未知の意図のない設定に重点を置いている。 我々はこの問題を、逐次決定のための一般的な数学的枠組みであるマルコフ決定プロセス(MDP)の枠組みで定式化する。
  論文  参考訳（メタデータ） (2022-10-20T13:22:13Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation [18.516121495514007]
  セッションベースのレコメンデーション(SR)は、与えられたセッションに基づいて次に対話されたアイテムを予測することを目的としている。 ほとんどの既存のSRモデルは、あるユーザが対話するセッションにおける連続したアイテムの活用にのみ焦点をあてている。 セッションベースレコメンデーションのためのマルチタスク学習にユーザマイクロビヘイビアとアイテム知識を組み込んだ新しいSRモデルMKM-SRを提案する。
  論文  参考訳（メタデータ） (2020-06-12T03:06:23Z)

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。