論文の概要: On Recommending Category: A Cascading Approach

• arxiv url: http://arxiv.org/abs/2512.16033v1
• Date: Wed, 17 Dec 2025 23:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.854337
• Title: On Recommending Category: A Cascading Approach
• Title（参考訳）: Recommending Category: A Cascading Approach
• Authors: Qihao Wang, Pritom Saha Akash, Varvara Kollia, Kevin Chen-Chuan Chang, Biwei Jiang, Vadim Von Brzeski,
• Abstract要約: カテゴリーレベルのレコメンデーションにより、Eコマースプラットフォームは、興味をさまざまな種類のアイテムに拡大することで、ユーザのエンゲージメントを促進することができる。 本稿では,カテゴリレベルのレコメンデーションを実行するために,アイテムレベルの情報をエンコードする可変オートエンコーダ(VAE)を備えたカスケーディングカテゴリレコメンデータ(CCRec)モデルを提案する。
• 参考スコア（独自算出の注目度）: 20.84790649501248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation plays a key role in e-commerce, enhancing user experience and boosting commercial success. Existing works mainly focus on recommending a set of items, but online e-commerce platforms have recently begun to pay attention to exploring users' potential interests at the category level. Category-level recommendation allows e-commerce platforms to promote users' engagements by expanding their interests to different types of items. In addition, it complements item-level recommendations when the latter becomes extremely challenging for users with little-known information and past interactions. Furthermore, it facilitates item-level recommendations in existing works. The predicted category, which is called intention in those works, aids the exploration of item-level preference. However, such category-level preference prediction has mostly been accomplished through applying item-level models. Some key differences between item-level recommendations and category-level recommendations are ignored in such a simplistic adaptation. In this paper, we propose a cascading category recommender (CCRec) model with a variational autoencoder (VAE) to encode item-level information to perform category-level recommendations. Experiments show the advantages of this model over methods designed for item-level recommendations.
• Abstract（参考訳）: 推薦はeコマースにおいて重要な役割を担い、ユーザー体験を高め、商業的成功を促進する。 既存の作業は主にアイテムのセットの推奨に重点を置いているが、オンラインeコマースプラットフォームは最近、カテゴリーレベルでのユーザの潜在的関心の探索に注意を払っている。 カテゴリーレベルのレコメンデーションにより、Eコマースプラットフォームは、興味をさまざまな種類のアイテムに拡大することで、ユーザのエンゲージメントを促進することができる。 さらに、あまり知られていない情報や過去のインタラクションを持つユーザにとって、後者が極めて困難なものになると、アイテムレベルのレコメンデーションを補完する。 さらに、既存の作品におけるアイテムレベルのレコメンデーションを促進する。 予測されたカテゴリーは、これらの作品では意図と呼ばれ、アイテムレベルの嗜好の探索に役立つ。 しかし、そのようなカテゴリーレベルの嗜好予測は、主にアイテムレベルのモデルを適用することで達成されている。 項目レベルのレコメンデーションとカテゴリレベルのレコメンデーションの主な違いは、このような単純化された適応では無視される。 本稿では,カテゴリレベルのレコメンデーションを実行するために,アイテムレベルの情報をエンコードする変分オートエンコーダ(VAE)を備えたカスケーディングカテゴリレコメンデータ(CCRec)モデルを提案する。 実験は、アイテムレベルのレコメンデーションのために設計された手法よりも、このモデルの利点を示している。

関連論文リスト

• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
  特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。 これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。 本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-28T22:26:50Z)
• Semi-supervised Adversarial Learning for Complementary Item Recommendation [5.5174379874002435]
  オンラインオークションサイトなど一部のオンラインマーケットプレースでは、常に新しいアイテムがカタログに追加されている。 項目側情報とラベル付き補完項目ペアの両方を活用する新しい手法を提案する。 3つのeコマースデータセットの実験から,本手法が有効であることが示された。
  論文  参考訳（メタデータ） (2023-03-10T09:39:18Z)
• 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)
• PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation [48.17295872384401]
  文脈変換器に基づくパーソナライズされた再ランクモデル(Dubbed PEAR)を提案する。 PEARは、既存のメソッドに対していくつかの大きな改善を行っている。 また、ランキングリスト全体のユーザの満足度を評価するために、リストレベルの分類タスクでPEARのトレーニングを強化する。
  論文  参考訳（メタデータ） (2022-03-23T08:29:46Z)
• 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)
• Item Recommendation from Implicit Feedback [8.877053863402484]
  この記事では、アイテムの推奨、そのユニークな特性、およびいくつかの一般的なアプローチの概要を紹介します。 本体は学習アルゴリズムを扱い、サンプリングベースのアルゴリズムを一般推薦者に提示する。 検索タスクにおけるアイテムレコメンダの応用について検討する。
  論文  参考訳（メタデータ） (2021-01-21T18:50:21Z)
• 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)
• PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest [54.56236567783225]
  PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。 オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-07T17:13:20Z)

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。