論文の概要: Grocery to General Merchandise: A Cross-Pollination Recommender using LLMs and Real-Time Cart Context

• arxiv url: http://arxiv.org/abs/2509.02890v1
• Date: Tue, 02 Sep 2025 23:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.360157
• Title: Grocery to General Merchandise: A Cross-Pollination Recommender using LLMs and Real-Time Cart Context
• Title（参考訳）: Grocery to General Merchandise: LLMとリアルタイムカートコンテキストを用いたクロスプラットフォームレコメンダ
• Authors: Akshay Kekuda, Murali Mohana Krishna Dandu, Rimita Lahiri, Shiqin Cai, Sinduja Subramaniam, Evren Korpeoglu, Kannan Achan,
• Abstract要約: 本稿では,食料品と一般商品のクロスカテゴリレコメンデーションを橋渡しするクロスポリン化(XP)フレームワークを提案する。 提案手法は,共同購入市場バスケット分析とLCMに基づく新しいアイテム・イテム関係の同定手法を用いた候補生成機構という,2段階の枠組みを用いている。 オフライン分析とオンラインA/Bテストでは、LLMベースの検索で36%の加算率が増加し、27%のNDCG@4リフトでカートのコンテキストベースのランク付けが可能である。
• 参考スコア（独自算出の注目度）: 3.407794744126759
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern e-commerce platforms strive to enhance customer experience by providing timely and contextually relevant recommendations. However, recommending general merchandise to customers focused on grocery shopping -- such as pairing milk with a milk frother -- remains a critical yet under-explored challenge. This paper introduces a cross-pollination (XP) framework, a novel approach that bridges grocery and general merchandise cross-category recommendations by leveraging multi-source product associations and real-time cart context. Our solution employs a two-stage framework: (1) A candidate generation mechanism that uses co-purchase market basket analysis and LLM-based approach to identify novel item-item associations; and (2) a transformer-based ranker that leverages the real-time sequential cart context and optimizes for engagement signals such as add-to-carts. Offline analysis and online A/B tests show an increase of 36\% add-to-cart rate with LLM-based retrieval, and 27\% NDCG\@4 lift using cart context-based ranker. Our work contributes practical techniques for cross-category recommendations and broader insights for e-commerce systems.
• Abstract（参考訳）: 現代のeコマースプラットフォームは、タイムリーでコンテキストに関連のあるレコメンデーションを提供することで、顧客エクスペリエンスの向上を目指している。 しかし、牛乳とミルクフラザーのペア化など、食料品の買い物に焦点を当てた顧客に一般商品を推奨することは、いまだに過小評価されている課題だ。 本稿では,マルチソース製品アソシエーションとリアルタイムカートコンテキストを活用することで,食料品と一般商品のクロスカテゴリレコメンデーションを橋渡しする,クロスポリン化(XP)フレームワークを提案する。 提案手法では,(1)共同購入市場バスケット分析とLCMに基づく新しいアイテム・イテム関係の同定手法を用いた候補生成機構,(2)リアルタイム・シーケンシャル・カート・コンテキストを利用したトランスフォーマー・ベース・ローダ,および加算・ツー・カートなどのエンゲージメント・シグナルの最適化という2段階の枠組みを採用している。 オフライン分析とオンラインA/Bテストにより, LLMによる検索では36\%, NDCG\@4リフトでは27\%の増加が確認された。 本研究は,電子商取引システムにおけるクロスカテゴリレコメンデーションとより広範な洞察のための実践的手法に貢献する。

関連論文リスト

• Research on E-Commerce Long-Tail Product Recommendation Mechanism Based on Large-Scale Language Models [7.792622257477251]
  大規模言語モデル(LLM)を用いた製品記述とユーザ行動シーケンスを統合した,新しいロングテール製品レコメンデーション機構を提案する。 我々の研究は、今後のeコマースレコメンデーションシステムにおいて、製品コンテンツとユーザ意図を解釈するLLMの可能性を強調します。
  論文  参考訳（メタデータ） (2025-05-31T19:17:48Z)
• 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)
• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)
• Conversational Recommender System and Large Language Model Are Made for Each Other in E-commerce Pre-sales Dialogue [80.51690477289418]
  会話推薦システム(CRS)は、ユーザ表現を学習し、対話コンテキストに基づいて正確なレコメンデーションを提供するが、外部知識に依存している。 大規模言語モデル(LLM)は、微調整後の事前販売の対話を模倣する応答を生成するが、正確なレコメンデーションのためのドメイン固有の知識は欠如している。 本稿では,eコマース事前販売対話におけるLCMとCRSの組み合わせの有効性について検討する。
  論文  参考訳（メタデータ） (2023-10-23T07:00:51Z)
• Modeling Uncertainty and Using Post-fusion as Fallback Improves Retrieval Augmented Generation with LLMs [80.74263278847063]
  検索されたパスと大きな言語モデル(LLM)の統合は、オープンドメインの質問応答の改善に大きく貢献している。 本稿では,検索したパスをLLMと組み合わせて回答生成を向上させる方法について検討する。
  論文  参考訳（メタデータ） (2023-08-24T05:26:54Z)
• Towards High-Order Complementary Recommendation via Logical Reasoning Network [19.232457960085625]
  本稿では論理的推論ネットワーク LOGIREC を提案し,製品の埋め込みを学習する。 LOGIRECは製品間の非対称的な相補関係を捉えることができる。 また,より汎用的な製品表現の学習に最適化されたハイブリッドネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-09T16:27:03Z)
• Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations [2.294014185517203]
  製品に2つの埋め込み表現を活用することで、補足的項目の発見に新しいアプローチを適用する。 我々のモデルは実装が簡単であり、あらゆるeコマースウェブサイトで補完的なアイテムレコメンデーションを生成するための優れた候補となる。
  論文  参考訳（メタデータ） (2022-11-28T00:58:21Z)
• Identifying Substitute and Complementary Products for Assortment Optimization with Cleora Embeddings [0.0]
  本稿では,Cleora のグラフ埋め込みアルゴリズムを用いて,商品の代替品や補材を見つける新しい手法を提案する。 提案した新しいアプローチは推奨商品の適切な選択を提供し、最小限の追加情報を必要とすると結論付けている。
  論文  参考訳（メタデータ） (2022-08-10T11:56:36Z)
• 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)

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。