論文の概要: Behavioral Feature Boosting via Substitute Relationships for E-commerce Search

• arxiv url: http://arxiv.org/abs/2602.14502v1
• Date: Mon, 16 Feb 2026 06:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.232218
• Title: Behavioral Feature Boosting via Substitute Relationships for E-commerce Search
• Title（参考訳）: 電子商取引検索における代替関係による行動特徴増強
• Authors: Chaosheng Dong, Michinari Momma, Yijia Wang, Yan Gao, Yi Sun,
• Abstract要約: Eコマースプラットフォームでは、新製品はコールドスタートの問題に悩まされることが多い。 製品間の代用関係を利用した簡易かつ効果的な行動特徴増強法(BFS)を提案する。 BFSは、類似のユーザーニーズを満たす代替品を識別し、その行動信号(例えば、クリック、追加カート、購入、評価)を集約して、新しいアイテムの温かいスタートを提供する。
• 参考スコア（独自算出の注目度）: 21.49501017435617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: On E-commerce platforms, new products often suffer from the cold-start problem: limited interaction data reduces their search visibility and hurts relevance ranking. To address this, we propose a simple yet effective behavior feature boosting method that leverages substitute relationships among products (BFS). BFS identifies substitutes-products that satisfy similar user needs-and aggregates their behavioral signals (e.g., clicks, add-to-carts, purchases, and ratings) to provide a warm start for new items. Incorporating these enriched signals into ranking models mitigates cold-start effects and improves relevance and competitiveness. Experiments on a large E-commerce platform, both offline and online, show that BFS significantly improves search relevance and product discovery for cold-start products. BFS is scalable and practical, improving user experience while increasing exposure for newly launched items in E-commerce search. The BFS-enhanced ranking model has been launched in production and has served customers since 2025.
• Abstract（参考訳）: Eコマースプラットフォームでは、新製品はコールドスタートの問題に悩まされることが多い。 そこで本研究では,製品間の代用関係を生かした,シンプルで効果的な行動特徴増強手法を提案する。 BFSは、類似のユーザーニーズを満たす代替品を識別し、その行動信号(例えば、クリック、追加カート、購入、評価)を集約して、新しいアイテムの温かいスタートを提供する。 これらのリッチな信号をランキングモデルに組み込むことで、コールドスタート効果が軽減され、関連性と競争性が向上する。 オフラインとオンラインの両方で大規模なEコマースプラットフォームの実験は、BFSがコールドスタート製品の検索関連性と製品発見を著しく改善していることを示している。 BFSはスケーラブルで実用的であり、ユーザエクスペリエンスを改善し、Eコマース検索で新たにローンチされたアイテムの露出を増加させている。 BFSの強化されたランキングモデルは、2025年以降、製品としてローンチされ、顧客にサービスを提供している。

関連論文リスト

• Progressive Refinement of E-commerce Search Ranking Based on Short-Term Activities of the Buyer [1.8986796884429726]
  本研究では,現在の文脈に基づいて,eコマースの検索結果を適応するための体系的なアプローチを提案する。 基礎的な手法から始めて、より文脈的な情報や最先端の技術をインクリメンタルに取り入れて、検索結果を改善する。 以上の結果から,単純な自己回帰的特徴から高度なシーケンスモデルに至るまで,この漸進的な拡張がランサー性能を著しく向上させることが示唆された。
  論文  参考訳（メタデータ） (2025-12-15T07:07:32Z)
• 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)
• Information Discovery in e-Commerce [97.71958017283593]
  情報検索は、特に商品やサービスとの接続において、eコマースにおいて自然な役割を担っている。 電子商取引サイトの人気が高まり、電子商取引における情報発見の研究が活発な研究分野となっている。 電子商取引における情報発見手法は主に、電子商取引検索とレコメンデーションシステムの有効性の向上に重点を置いている。
  論文  参考訳（メタデータ） (2024-10-08T07:41:01Z)
• BayesCNS: A Unified Bayesian Approach to Address Cold Start and Non-Stationarity in Search Systems at Scale [1.1634177851893535]
  BayesCNSは、大規模検索システムにおけるコールドスタートおよび非定常分布シフトを処理するように設計されている。 BayesCNSは、オンラインに集められた新しいユーザーインタラクションを継続的に更新するユーザとイテムのインタラクションの事前分布を推定することで、これを達成している。 このオンライン学習手順はランサーモデルによりガイドされ、コンテキスト情報を用いて関連項目の効率的な探索を可能にする。
  論文  参考訳（メタデータ） (2024-10-03T01:14:30Z)
• Enhanced E-Commerce Attribute Extraction: Innovating with Decorative Relation Correction and LLAMA 2.0-Based Annotation [4.81846973621209]
  本稿では,分類のためのBERT,属性値抽出のための条件付きランダムフィールド(CRF)層,データアノテーションのための大規模言語モデル(LLM)を統合した先駆的フレームワークを提案する。 提案手法は, CRFのシーケンス復号技術と相乗化したBERTの頑健な表現学習を利用して, 属性値の同定と抽出を行う。 私たちの方法論は、Walmart、BestBuyのEコマースNERデータセット、CoNLLデータセットなど、さまざまなデータセットで厳格に検証されています。
  論文  参考訳（メタデータ） (2023-12-09T08:26:30Z)
• 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)
• Aggregated Customer Engagement Model [0.571097144710995]
  Eコマースウェブサイトは、機械学習によるランキングモデルを使用して、顧客に対してショッピング結果を提供する。 新規または過小評価された製品は、十分な顧客エンゲージメント信号を持っておらず、人気製品に並ぶと不利になる。 本稿では,1日以内にすべての顧客エンゲージメントを集約し,同じクエリを入力トレーニングデータとして使用する新しいデータキュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T20:58:10Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
  社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。 高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
  論文  参考訳（メタデータ） (2021-03-16T11:08:30Z)

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。