論文の概要: Contrastive Learning for Diversity-Aware Product Recommendations in Retail

• arxiv url: http://arxiv.org/abs/2602.08886v1
• Date: Mon, 09 Feb 2026 16:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.377203
• Title: Contrastive Learning for Diversity-Aware Product Recommendations in Retail
• Title（参考訳）: 多様性を考慮した商品レコメンデーションにおけるコントラスト学習
• Authors: Vasileios Karlis, Ezgi Yıldırım, David Vos, Maarten de Rijke,
• Abstract要約: 本稿では,IKEAリテールのレコメンデーション品質を損なうことなく,カタログのカバレッジを高める手法を提案する。 近年のネガティブサンプリングの進歩からインスピレーションを得て人気バイアスに対処し、慎重に選択されたネガティブサンプルとコントラスト学習を統合した。 オフラインおよびオンライン評価を通じて,本手法は,より多様なレコメンデーションセットを確保しつつ,強いレコメンデーション性能を保ちながら,カタログのカバレッジを向上させることを実証する。
• 参考スコア（独自算出の注目度）: 42.13843953705695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems often struggle with long-tail distributions and limited item catalog exposure, where a small subset of popular items dominates recommendations. This challenge is especially critical in large-scale online retail settings with extensive and diverse product assortments. This paper introduces an approach to enhance catalog coverage without compromising recommendation quality in the existing digital recommendation pipeline at IKEA Retail. Drawing inspiration from recent advances in negative sampling to address popularity bias, we integrate contrastive learning with carefully selected negative samples. Through offline and online evaluations, we demonstrate that our method improves catalog coverage, ensuring a more diverse set of recommendations yet preserving strong recommendation performance.
• Abstract（参考訳）: レコメンダシステムは、長いテールの流通と限定されたアイテムカタログの露出に苦しむことが多く、人気のあるアイテムのごく一部がレコメンデーションを支配している。 この課題は、広範囲で多様な製品を提供する大規模なオンライン小売設定において特に重要である。 本稿では,IKEAリテールの既存のデジタルレコメンデーションパイプラインにおいて,レコメンデーション品質を損なうことなく,カタログのカバレッジを向上させるアプローチを提案する。 近年のネガティブサンプリングの進歩からインスピレーションを得て人気バイアスに対処し、慎重に選択されたネガティブサンプルとコントラスト学習を統合した。 オフラインおよびオンライン評価を通じて,本手法は,より多様なレコメンデーションセットを確保しつつ,強いレコメンデーション性能を保ちながら,カタログのカバレッジを向上させることを実証する。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Bypassing the Popularity Bias: Repurposing Models for Better Long-Tail Recommendation [0.0]
  我々は,オンラインコンテンツプラットフォーム上で,パブリッシャー間でより公平な露出分布を実現することを目的としている。 そこで本稿では,産業推薦システムの既存コンポーネントを再利用して,表現不足の出版社に価値ある露出を提供する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-17T15:40:55Z)
• How to Diversify any Personalized Recommender? [0.0]
  精度を維持しつつTop-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。 当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。 トレーニングに事前処理されたデータを使用すると、元の未修正データでトレーニングされたデータと同等のパフォーマンスレベルを達成するためのレコメンデーションシステムになる。
  論文  参考訳（メタデータ） (2024-05-03T15:02:55Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• 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)
• 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)
• A Review on Pushing the Limits of Baseline Recommendation Systems with the integration of Opinion Mining & Information Retrieval Techniques [0.0]
  Recommendation Systemsでは、利用者の期待にタイムリーかつ関連性がありながら、コミュニティ内のトレンドアイテムを識別することができる。 より優れた品質のレコメンデーションを達成するために、ディープラーニングの手法が提案されている。 研究者たちは、最も効果的なレコメンデーションを提供するために、標準レコメンデーションシステムの能力を拡大しようと試みている。
  論文  参考訳（メタデータ） (2022-05-03T22:13:33Z)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems [84.3996727203154]
  コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。 我々はCLRecをさらに改良し、マルチCLRecを提案する。 提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
  論文  参考訳（メタデータ） (2020-05-20T08:15:23Z)

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。