論文の概要: Learning to Comparison-Shop

• arxiv url: http://arxiv.org/abs/2512.04009v1
• Date: Wed, 03 Dec 2025 17:46:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:11:34.551673
• Title: Learning to Comparison-Shop
• Title（参考訳）: 比較ショップの学習
• Authors: Jie Tang, Daochen Zha, Xin Liu, Huiji Gao, Liwei He, Stephanie Moyerman, Sanjeev Katariya,
• Abstract要約: Airbnbのようなオンラインマーケットプレースでは、ユーザーは購入決定を行う前に比較ショッピングを頻繁に行う。 従来のランキングモデルは、検索結果ページ上の複数の項目を比較するコンテキストを無視して、アイテムを独立して評価することが多い。 本稿では,利用者のショッピング行動の比較をモデル化し,学習する新しいランキングアーキテクチャ,LTCS(Learning-to-Comparison-Shop)システムを提案する。
• 参考スコア（独自算出の注目度）: 28.246875896322493
• License:
• Abstract: In online marketplaces like Airbnb, users frequently engage in comparison shopping before making purchase decisions. Despite the prevalence of this behavior, a significant disconnect persists between mainstream e-commerce search engines and users' comparison needs. Traditional ranking models often evaluate items in isolation, disregarding the context in which users compare multiple items on a search results page. While recent advances in deep learning have sought to improve ranking accuracy, diversity, and fairness by encoding listwise context, the challenge of aligning search rankings with user comparison shopping behavior remains inadequately addressed. In this paper, we propose a novel ranking architecture - Learning-to-Comparison-Shop (LTCS) System - that explicitly models and learns users' comparison shopping behaviors. Through extensive offline and online experiments, we demonstrate that our approach yields statistically significant gains in key business metrics - improving NDCG by 1.7% and boosting booking conversion rate by 0.6% in A/B testing - while also enhancing user experience. We also compare our model against state-of-the-art approaches and demonstrate that LTCS significantly outperforms them.
• Abstract（参考訳）: Airbnbのようなオンラインマーケットプレースでは、ユーザーは購入決定を行う前に比較ショッピングを頻繁に行う。 この行動の頻度にもかかわらず、主流のeコマース検索エンジンとユーザの比較ニーズとの間には大きな断絶が続いている。 従来のランキングモデルは、検索結果ページ上の複数の項目を比較するコンテキストを無視して、アイテムを独立して評価することが多い。 近年のディープラーニングの進歩は、ランキングの精度、多様性、公平性を改善するためにリストワイドコンテキストを符号化しているが、検索ランキングとユーザ比較ショッピング行動の整合性は依然として不十分である。 本稿では,利用者のショッピング行動の比較を明示的にモデル化し学習する新しいランキングアーキテクチャ,LTCS(Learning-to-Comparison-Shop)システムを提案する。 大規模なオフラインおよびオンライン実験を通じて、当社のアプローチが主要なビジネス指標(NDCGを1.7%改善し、A/Bテストで予約変換率を0.6%向上し、ユーザエクスペリエンスを向上するなど、統計的に有意な利益をもたらすことを実証した。 また、我々のモデルと最先端のアプローチを比較し、LTCSがそれらを著しく上回ることを示す。

関連論文リスト

• Taxonomy-based Negative Sampling In Personalized Semantic Search for E-commerce [46.251483528080236]
  本稿では,クエリや商品を共有ベクトル空間に埋め込んだeコマース検索のセマンティック検索モデルを提案する。 顧客の過去の購買履歴と行動をモデル化し,ユーザレベルのパーソナライゼーションを取り入れた。
  論文  参考訳（メタデータ） (2025-11-01T20:25:00Z)
• Autobidding Arena: unified evaluation of the classical and RL-based autobidding algorithms [71.47275796833235]
  本稿では,古典的および強化的学習オートバイディングアルゴリズムを比較するための,標準化された透過的評価プロトコルを提案する。 我々は、この業界で開発された最新のオープンソース環境を利用して、入札プロセスを正確にエミュレートする。
  論文  参考訳（メタデータ） (2025-10-22T08:27:56Z)
• NAM: A Normalization Attention Model for Personalized Product Search In Fliggy [14.447458070745231]
  製品検索のパーソナライズのための正規化注意モデル(NAM)を提案する。 提案したNAMモデルは,最先端のベースラインモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T02:46:05Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Adaptive Image Quality Assessment via Teaching Large Multimodal Model to Compare [99.57567498494448]
  我々はLMMに基づくノン参照IQAモデルであるCompare2Scoreを紹介する。 トレーニング中、同じIQAデータセットの画像を比較することで、スケールアップ比較命令を生成する。 9つのIQAデータセットの実験により、Compare2Scoreは、トレーニング中にテキスト定義の比較レベルを効果的にブリッジすることを確認した。
  論文  参考訳（メタデータ） (2024-05-29T17:26:09Z)
• Imitate TheWorld: A Search Engine Simulation Platform [13.011052642314421]
  生成されたページに対して、よく訓練された識別器によるフィードバックを適切に提供できるシミュレーション検索エンジンAESimを構築した。 実世界とのつながりを失う従来のシミュレーションプラットフォームとは異なり、われわれのデータは検索の実際のデータに依存している。 我々の実験は、AESimが古典的なランキングの指標よりも、ランキングモデルのオンラインパフォーマンスをよりよく反映できることを示した。
  論文  参考訳（メタデータ） (2021-07-16T03:55:33Z)
• Controlling Fairness and Bias in Dynamic Learning-to-Rank [31.41843594914603]
  暗黙のフィードバックデータからランキング関数を学習しながら、グループフェアネスの概念を確実にする学習アルゴリズムを提案する。 このアルゴリズムは、公平さと実用性の両方のために、偏見のない推定器を統合するコントローラの形をとっている。 厳密な理論基盤と収束保証に加えて、アルゴリズムが極めて実用的で堅牢であることが実証的に明らかになった。
  論文  参考訳（メタデータ） (2020-05-29T17:57:56Z)
• 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)
• AliExpress Learning-To-Rank: Maximizing Online Model Performance without Going Online [60.887637616379926]
  本稿では,学習からランクへ学習するための評価器・ジェネレータフレームワークを提案する。 コンテキストを含むレコメンデーションを一般化して評価する評価器と、強化学習による評価器スコアを最大化するジェネレータとから構成される。 本手法は, オンラインA/Bテストにおける産業レベルの微調整モデルよりも, 変換率(CR)の面で大幅に向上する。
  論文  参考訳（メタデータ） (2020-03-25T10:27:44Z)

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。