論文の概要: Personalized Recommendation of Dish and Restaurant Collections on iFood
- arxiv url: http://arxiv.org/abs/2508.03670v1
- Date: Tue, 05 Aug 2025 17:34:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:56.1023
- Title: Personalized Recommendation of Dish and Restaurant Collections on iFood
- Title（参考訳）: iFood上でのダイシュとレストランコレクションのパーソナライズされたレコメンデーション
- Authors: Fernando F. Granado, Davi A. Bezerra, Iuri Queiroz, Nathan Oliveira, Pedro Fernandes, Bruno Schock,
- Abstract要約: REDは、ラテンアメリカ最大のオンデマンドフードデリバリープラットフォームであるiFood向けに設計された自動レコメンデーションシステムである。
本手法では,3つの特徴群(コレクション特性,ユーザ・コレクションの類似性,コンテキスト情報)に基づいて,コレクションをスコアするLightGBM分類器を用いる。
- 参考スコア（独自算出の注目度）: 36.17677121983085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Food delivery platforms face the challenge of helping users navigate vast catalogs of restaurants and dishes to find meals they truly enjoy. This paper presents RED, an automated recommendation system designed for iFood, Latin America's largest on-demand food delivery platform, to personalize the selection of curated food collections displayed to millions of users. Our approach employs a LightGBM classifier that scores collections based on three feature groups: collection characteristics, user-collection similarity, and contextual information. To address the cold-start problem of recommending newly created collections, we develop content-based representations using item embeddings and implement monotonicity constraints to improve generalization. We tackle data scarcity by bootstrapping from category carousel interactions and address visibility bias through unbiased sampling of impressions and purchases in production. The system demonstrates significant real-world impact through extensive A/B testing with 5-10% of iFood's user base. Online results of our A/B tests add up to 97% improvement in Card Conversion Rate and 1.4% increase in overall App Conversion Rate compared to popularity-based baselines. Notably, our offline accuracy metrics strongly correlate with online performance, enabling reliable impact prediction before deployment. To our knowledge, this is the first work to detail large-scale recommendation of curated food collections in a dynamic commercial environment.
- Abstract（参考訳）: フードデリバリープラットフォームは、ユーザーがレストランや料理の膨大なカタログをナビゲートして、本当に楽しんでいる食事を見つけるのを助けるという課題に直面している。
本稿では,ラテンアメリカ最大のオンデマンドフードデリバリープラットフォームであるiFoodを対象とした自動レコメンデーションシステムREDについて述べる。
本手法では,3つの特徴群(コレクション特性,ユーザ・コレクションの類似性,コンテキスト情報)に基づいて,コレクションをスコアするLightGBM分類器を用いる。
新たに作成されたコレクションを推薦するコールドスタート問題に対処するため,アイテム埋め込みを用いたコンテンツベース表現を開発し,一律性制約を実装して一般化を改善する。
我々は、カテゴリーカルーセル相互作用からブートストラップしてデータの不足に対処し、不偏のインプレッションと製品購入のサンプリングを通じて可視性バイアスに対処する。
このシステムは、iFoodのユーザーベースの5-10%で広範囲なA/Bテストを通じて、現実世界に大きな影響を示す。
A/Bテストのオンライン結果は、人気ベースのベースラインと比較して、カードコンバージョン率を最大97%改善し、アプリコンバージョン率全体の1.4%向上しました。
特に、オフライン精度のメトリクスはオンラインのパフォーマンスと強く相関しており、デプロイ前に信頼性の高い影響予測を可能にします。
我々の知る限り、ダイナミックな商業環境において、キュレートされた食品コレクションの大規模レコメンデーションを詳述するのはこれが初めてである。
関連論文リスト
- Personalized Class Incremental Context-Aware Food Classification for Food Intake Monitoring Systems [3.8767314375943918]
既存の食品分類モデルでは、新しい分類の精度は低く、パーソナライゼーションの欠如がある。
本稿では,これらの課題を克服するために,個人別・クラス別食品分類モデルを提案する。
本手法は, 個人化により, 新クラスと既存クラスの両方に適用可能性と精度を維持しながら, 新たな食品クラスに適応する。
論文 参考訳（メタデータ） (2025-03-09T14:50:56Z) - Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。
よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文 参考訳（メタデータ） (2025-02-05T17:14:45Z) - MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。
我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。
ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
論文 参考訳（メタデータ） (2024-12-12T01:02:09Z) - Multi-modal Food Recommendation using Clustering and Self-supervised Learning [27.74592587848116]
CLUSSLは,クラスタリングと自己教師型学習を活用する新しい食品レコメンデーションフレームワークである。
CLUSSLは、各モダリティに特有のグラフを離散的/連続的な特徴で定式化し、意味的特徴を構造的表現に変換する。
異なるユニモーダルグラフから導出されるレシピ表現間の独立性を促進するために,自己指導型学習目標を提案する。
論文 参考訳（メタデータ） (2024-06-27T07:45:17Z) - ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework [2.3221599497640915]
ChatDietは、パーソナライズされた栄養指向の食品レコメンデーションチャットボット用に特別に設計された、新しいフレームワークである。
ChatDietは、オーケストラが補完する個人モデルと人口モデルを統合し、シームレスに関連する情報を検索し、処理する。
ChatDietの評価には説得力のあるケーススタディが含まれており、個別の栄養効果を推定するための因果的個人モデルを確立している。
論文 参考訳（メタデータ） (2024-02-18T06:07:17Z) - Learning to Substitute Ingredients in Recipes [15.552549060863523]
食材代替によるパーソナライゼーションは、食生活のニーズや嗜好を満たすこと、潜在的なアレルゲンを避けること、およびすべての台所での料理探索を容易にする可能性がある。
標準化された分割、評価指標、ベースラインを備えた置換ペアのデータセットで構成されたベンチマークを構築します。
Ingredient Substitution Module (GISMo) は、レシピのコンテキストと、グラフ内にエンコードされた一般的な成分関係情報を利用して、妥当な代替品のランク付けを行う新しいモデルである。
我々は、GISMoが平均的相互ランクにおいて、最高のパフォーマンスベースラインをはるかに上回っているという総合的な実験的検証を通して示す。
論文 参考訳（メタデータ） (2023-02-15T21:49:23Z) - 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) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z) - Personalized Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。
データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
論文 参考訳（メタデータ） (2021-02-11T17:58:51Z) - Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
論文 参考訳（メタデータ） (2020-03-11T16:17:08Z)
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。