論文の概要: T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation

• arxiv url: http://arxiv.org/abs/2603.06631v1
• Date: Mon, 23 Feb 2026 19:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.455289
• Title: T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation
• Title（参考訳）: T-REX:Grocery Basket Recommendationのためのトランスフォーマーに基づくカテゴリシーケンス生成
• Authors: Soroush Mokhtari, Muhammad Tayyab Asif, Sergiy Zubatiy,
• Abstract要約: T-REXは、短期のバスケット依存と長期のユーザの好みの両方を学ぶことで、パーソナライズされたカテゴリレベルの提案を生成する。 提案手法は,(1)スパースショッピングパターンの動的シーケンス分割を利用した効率的なサンプリング戦略,(2)時間的パターンの適応的位置符号化方式,(3)推薦品質を維持しながら寸法を縮小するカテゴリレベルのモデリング手法,の3つの革新的手法を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online grocery shopping presents unique challenges for sequential recommendations due to repetitive purchase patterns and complex item relationships within the baskets. Unlike traditional e-commerce, grocery recommendations must capture both complementary item associations and temporal dependencies across shopping sessions. To address these challenges in Amazon's online grocery business, we propose T-REX, a novel transformer architecture that generates personalized category-level suggestions by learning both short-term basket dependencies and long-term user preferences. Our approach introduces three key innovations: (1) an efficient sampling strategy utilizing dynamic sequence splitting for sparse shopping patterns, (2) an adaptive positional encoding scheme for temporal patterns, and (3) a category-level modeling approach that reduces dimensionality while maintaining recommendation quality. Although masked language modeling techniques like BERT4Rec excel at capturing item relations, they prove less suitable for next basket generation due to information leakage issues. In contrast, T-REX's causal masking approach better aligns with the sequential nature of basket generation, enabling more accurate next-basket predictions. Experiments on large-scale grocery offline data and online A/B tests show significant improvement over existing systems.
• Abstract（参考訳）: オンライン食料品ショッピングは、反復的な購入パターンとバスケット内の複雑なアイテムの関係により、シーケンシャルなレコメンデーションに固有の課題を提示している。 従来のeコマースとは異なり、食料品のレコメンデーションは、ショッピングセッション全体で補完的なアイテムアソシエーションと時間的依存の両方をキャプチャしなければなりません。 Amazonのオンライン食料品ビジネスにおけるこれらの課題に対処するため、短期的なバスケット依存関係と長期的なユーザの好みの両方を学ぶことによって、パーソナライズされたカテゴリレベルの提案を生成する、新しいトランスフォーマーアーキテクチャであるT-REXを提案する。 提案手法は,(1)スパースショッピングパターンの動的シーケンス分割を利用した効率的なサンプリング戦略,(2)時間的パターンの適応的位置符号化方式,(3)推薦品質を維持しながら寸法を縮小するカテゴリレベルのモデリング手法,の3つの革新的手法を紹介する。 BERT4Recのようなマスク付き言語モデリング技術はアイテムの関係を捉えるのに優れているが、情報漏洩の問題により次のバスケット生成には適していない。 対照的に、T-REXの因果マスキングアプローチは、バスケット生成のシーケンシャルな性質とよく一致し、より正確な次のバスケットボール予測を可能にしている。 大規模な食料品のオフラインデータとオンラインA/Bテストの実験は、既存のシステムよりも大幅に改善されている。

関連論文リスト

• GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
  GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-05T13:48:33Z)
• Generative Sequential Recommendation via Hierarchical Behavior Modeling [20.156854767000475]
  本稿では,デコーダのみのバックボーン上に構築された新しい生成フレームワークGAMERを提案する。 GAMERは、振る舞い間の階層的な依存関係をキャプチャする、クロスレベルなインタラクション層を導入している。 ShortVideoADは、メインストリームのショートビデオプラットフォームからの大規模マルチビヘイビアデータセットである。
  論文  参考訳（メタデータ） (2025-11-05T03:27:01Z)
• Grocery to General Merchandise: A Cross-Pollination Recommender using LLMs and Real-Time Cart Context [3.407794744126759]
  本稿では,食料品と一般商品のクロスカテゴリレコメンデーションを橋渡しするクロスポリン化(XP)フレームワークを提案する。 提案手法では,(1)共同購入市場バスケット分析とLCMに基づく新しいアイテム・イテム関係の同定手法を用いた候補生成機構,(2)リアルタイム・シーケンシャル・カート・コンテキストを利用したトランスフォーマー・ベース・ローカという2段階の枠組みを用いる。 オフライン分析とオンラインA/Bテストは、アイテムページ上のLCMに基づく検索で36%の加算率、カートコンテキストを用いた加算率15%の増加を示す。
  論文  参考訳（メタデータ） (2025-09-02T23:28:34Z)
• A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao [20.11584617315975]
  本稿では,低次リストレベルの多目的最適化問題に対する逐次順序回帰変換器・ジェネレータ (SORT-Gen) を新たに提案する。 SORT-Genは、Taobao Appの複数のシナリオでうまくデプロイされ、多数のユーザに役立っている。
  論文  参考訳（メタデータ） (2025-05-12T03:01:14Z)
• Pre-training Generative Recommender with Multi-Identifier Item Tokenization [78.87007819266957]
  本稿では, MTGRecを用いて, 生成Recommender事前学習のためのトークンシーケンスデータを拡張する手法を提案する。 このアプローチには、マルチアイデンティティーアイテムトークン化とカリキュラムレコメンデータ事前トレーニングという、2つの重要なイノベーションがあります。 3つの公開ベンチマークデータセットに対する大規模な実験は、MTGRecが従来の推奨基準と生成推奨基準の両方を大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2025-04-06T08:03:03Z)
• Low-Rank Online Dynamic Assortment with Dual Contextual Information [12.373566593905792]
  我々は、この問題を管理可能なスケールに変換するために、新しい低ランクダイナミックアソシエーションモデルを導入する。 そこで本研究では,固有部分空間を推定する効率的なアルゴリズムを提案し,オンライン意思決定における探索・探索のトレードオフに対処するために,高信頼境界アプローチを利用する。
  論文  参考訳（メタデータ） (2024-04-19T23:10:12Z)
• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。