論文の概要: Clicks Versus Conversion: Choosing a Recommender's Training Objective in E-Commerce

• arxiv url: http://arxiv.org/abs/2508.10377v1
• Date: Thu, 14 Aug 2025 06:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.199412
• Title: Clicks Versus Conversion: Choosing a Recommender's Training Objective in E-Commerce
• Title（参考訳）: Clicks Versus Conversion:Eコマースにおけるレコメンダのトレーニング対象を選ぶ
• Authors: Michael Weiss, Robert Rosenbach, Christian Eggenberger,
• Abstract要約: add-to-cart rate (ACR) と Order-Submit-Rate (OSR) は、eコマースにおける標準のプラクティスである。 オンラインA/Bテストを用いて、これらの目的のいずれかを使用することの効果を比較した。
• 参考スコア（独自算出の注目度）: 0.43012765978447565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ranking product recommendations to optimize for a high click-through rate (CTR) or for high conversion, such as add-to-cart rate (ACR) and Order-Submit-Rate (OSR, view-to-purchase conversion) are standard practices in e-commerce. Optimizing for CTR appears like a straightforward choice: Training data (i.e., click data) are simple to collect and often available in large quantities. Additionally, CTR is used far beyond e-commerce, making it a generalist, easily implemented option. ACR and OSR, on the other hand, are more directly linked to a shop's business goals, such as the Gross Merchandise Value (GMV). In this paper, we compare the effects of using either of these objectives using an online A/B test. Among our key findings, we demonstrate that in our shops, optimizing for OSR produces a GMV uplift more than five times larger than when optimizing for CTR, without sacrificing new product discovery. Our results also provide insights into the different feature importances for each of the objectives.
• Abstract（参考訳）: 高クリックスルーレート(CTR)や、ACR(Add-to-cart rate)やOSR(Order-Submit-Rate)といった高コンバージョンを最適化するための製品レコメンデーションのランク付けは、eコマースの標準プラクティスである。 CTRの最適化は、単純な選択のように見える: トレーニングデータ(すなわち、データのクリック)は、収集が簡単で、多くの場合、大量のデータを利用できる。 さらに、CTRは電子商取引以外にも使われており、汎用的で簡単に実装できる選択肢となっている。 一方、ACRとOSRは、Gross Merchandise Value (GMV)のような、店のビジネス目標に直接関連している。 本稿では,これらの目的をオンラインA/Bテストを用いて比較する。 重要な発見として、当社の店舗では、OSRの最適化は、新しい製品発見を犠牲にすることなく、CTRの最適化時の5倍以上のGMVアップリフトを発生させることを示した。 私たちの結果は、目的ごとに異なる特徴の重要性についての洞察も提供します。

関連論文リスト

• Click A, Buy B: Rethinking Conversion Attribution in E- Commerce Recommendations [5.1943141252224505]
  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。
  論文  参考訳（メタデータ） (2025-07-20T20:25:20Z)
• Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems [65.75265303064654]
  対話レコメンデーションシステム(CRS)は、ユーザとの対話を通じてパーソナライズされたレコメンデーションを提供することを目的としている。 大規模言語モデル(LLM)は、コンテキスト対応のユーザの好みに対する理解が優れているため、CRSを強化する。 CRAG(Collaborative Retrieval Augmented Generation for LLM-based CRS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T22:47:40Z)
• RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
  本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。 次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。 実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
  論文  参考訳（メタデータ） (2024-04-02T19:14:23Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• 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)
• Page-level Optimization of e-Commerce Item Recommendations [1.9590062905832923]
  項目詳細ページ上で、項目推薦モジュールのパーソナライズされた選択と注文を最適化するスケーラブルなエンドツーエンド生産システムを提案する。 提案方式は既存の手法に比べてクリックスルー率と変換率を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-12T17:59:22Z)
• Variational Inference for Category Recommendation in E-Commerce platforms [10.64460581091531]
  eコマースプラットフォーム上のユーザのカテゴリレコメンデーションは、Webサイトのトラフィックの流れを規定する上で重要なタスクである。 したがって、利用者がプラットフォームを旅するのを助け、新しいカテゴリーの発見を支援するために、正確で多様なカテゴリーの推奨事項を提示することが重要である。
  論文  参考訳（メタデータ） (2021-04-15T20:09:20Z)
• Deep Learning-based Online Alternative Product Recommendations at Scale [0.2278231643598956]
  テキスト製品情報(例)の両方を使用します。 製品タイトルと説明)と代替製品を推奨する顧客の行動データ。 その結果, オフライン評価やリコール, 精度の面では, 代替製品のカバレッジが大幅に向上した。
  論文  参考訳（メタデータ） (2021-04-15T16:27:45Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。