論文の概要: Eco-Amazon: Enriching E-commerce Datasets with Product Carbon Footprint for Sustainable Recommendations
- arxiv url: http://arxiv.org/abs/2602.15508v1
- Date: Tue, 17 Feb 2026 11:30:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-18 16:03:18.046235
- Title: Eco-Amazon: Enriching E-commerce Datasets with Product Carbon Footprint for Sustainable Recommendations
- Title（参考訳）: Eco-Amazon: 持続可能なレコメンデーションのためのプロダクトカーボンフットプリントによるEコマースデータセットの強化
- Authors: Giuseppe Spillo, Allegra De Filippo, Cataldo Musto, Michela Milano, Giovanni Semeraro,
- Abstract要約: 本稿では,アイテムレベルの環境影響データと標準ベンチマークのギャップを埋めるための新しいリソースであるEco-Amazonを紹介する。
i) アイテムメタデータをPCF信号で強化したEco-Amazonデータセットのリリース、(ii) LLMベースのPCF推定スクリプトにより、研究者が製品カタログを拡大して結果の再現が可能になること、(iii) PCF推定をどのように活用して、より持続可能な製品を促進するかを示すユースケースである。
- 参考スコア（独自算出の注目度）: 7.062728225568673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the era of responsible and sustainable AI, information retrieval and recommender systems must expand their scope beyond traditional accuracy metrics to incorporate environmental sustainability. However, this research line is severely limited by the lack of item-level environmental impact data in standard benchmarks. This paper introduces Eco-Amazon, a novel resource designed to bridge this gap. Our resource consists of an enriched version of three widely used Amazon datasets (i.e., Home, Clothing, and Electronics) augmented with Product Carbon Footprint (PCF) metadata. CO2e emission scores were generated using a zero-shot framework that leverages Large Language Models (LLMs) to estimate item-level PCF based on product attributes. Our contribution is three-fold: (i) the release of the Eco-Amazon datasets, enriching item metadata with PCF signals; (ii) the LLM-based PCF estimation script, which allows researchers to enrich any product catalogue and reproduce our results; (iii) a use case demonstrating how PCF estimates can be exploited to promote more sustainable products. By providing these environmental signals, Eco-Amazon enables the community to develop, benchmark, and evaluate the next generation of sustainable retrieval and recommendation models. Our resource is available at https://doi.org/10.5281/zenodo.18549130, while our source code is available at: http://github.com/giuspillo/EcoAmazon/.
- Abstract（参考訳）: 責任と持続可能なAIの時代において、情報検索とレコメンデータシステムは、環境の持続可能性を統合するために、従来の精度メトリクスを超えて範囲を広げなければならない。
しかし、標準ベンチマークにおける項目レベルの環境影響データ不足により、この研究線は著しく制限されている。
本稿では,このギャップを埋めるための新しいリソースであるEco-Amazonを紹介する。
当社のリソースは,Product Carbon Footprint(PCF)メタデータを付加した,広く使用されている3つのAmazonデータセット(Home, Clothing, Electronics)の豊富なバージョンで構成されています。
製品属性に基づいた項目レベルのPCFを推定するために,LLM(Large Language Models)を利用したゼロショットフレームワークを用いてCO2e排出スコアが生成された。
私たちの貢献は3倍です。
(i)PCF信号でアイテムメタデータを充実させるEco-Amazonデータセットのリリース。
2 LLMに基づくPCF推定スクリプトで、研究者は、製品カタログを充実させ、その結果を再現することができる。
三 より持続可能な製品を推進するためにPCF見積もりをどのように活用するかを示すユースケース。
これらの環境信号を提供することで、Eco-Amazonはコミュニティが次世代の持続可能な検索とレコメンデーションモデルを開発し、ベンチマークし、評価することができる。
私たちのリソースはhttps://doi.org/10.5281/zenodo.18549130で、ソースコードはhttp://github.com/giuspillo/EcoAmazon/で利用可能です。
関連論文リスト
- Towards Autonomous Sustainability Assessment via Multimodal AI Agents [46.77807327332175]
電子デバイスのクレードル・トゥ・ゲート二酸化炭素排出量を計算するためのマルチモーダルAIエージェントを導入する。
このアプローチは、専門家時間の数週間から数ヶ月を1分未満に短縮し、データ可用性のギャップを埋める。
炭素フットプリントは専門的なLCAの19%以内であり、プロプライエタリなデータはゼロである。
論文 参考訳（メタデータ） (2025-07-22T20:49:25Z) - How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference [0.0]
本稿では,商用データセンタにデプロイされる30の最先端モデルを対象とした,AI推論の環境フットプリントを定量化する,新たなインフラストラクチャ対応ベンチマークフレームワークを提案する。
以上の結果から,O3とDeepSeek-R1が最もエネルギー集約的なモデルとして出現し,GPT-4.1ナノの70倍以上のGPT-4.1ナノを消費し,Claude-3.7 Sonnetはエコ効率で最高であることがわかった。
AIは安価で速くなっているが、そのグローバルな採用はリソース消費を不均等にしている。
論文 参考訳（メタデータ） (2025-05-14T17:47:00Z) - The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。
本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。
我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
論文 参考訳（メタデータ） (2025-01-20T06:35:01Z) - Environmental large language model Evaluation (ELLE) dataset: A Benchmark for Evaluating Generative AI applications in Eco-environment Domain [6.246205449407889]
ジェネレーティブAIは、生態学的および環境的応用に大きな可能性を秘めている。
環境大言語モデル評価(ELLE)データセットは、大規模言語モデルを評価するために設計された最初のベンチマークである。
ELLEデータセットには16の環境トピックにまたがる1,130の質問応答ペアが含まれており、ドメイン、難易度、タイプによって分類されている。
論文 参考訳（メタデータ） (2025-01-10T12:48:29Z) - Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。
短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。
長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
論文 参考訳（メタデータ） (2024-05-28T09:34:50Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - GreenDB -- A Dataset and Benchmark for Extraction of Sustainability
Information of Consumer Goods [58.31888171187044]
毎週、ヨーロッパのオンラインショップから商品を収集するデータベースであるGreenDBを提示する。
製品サステナビリティのプロキシとして、専門家が評価するサステナビリティラベルに依存している。
本稿では,データを用いてトレーニングしたMLモデルを用いて,製品のサステナビリティラベルを確実に予測できることを示す。
論文 参考訳（メタデータ） (2022-07-21T19:59:42Z)
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。