論文の概要: CASE: Cadence-Aware Set Encoding for Large-Scale Next Basket Repurchase Recommendation

• arxiv url: http://arxiv.org/abs/2604.06718v1
• Date: Wed, 08 Apr 2026 06:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.36614
• Title: CASE: Cadence-Aware Set Encoding for Large-Scale Next Basket Repurchase Recommendation
• Title（参考訳）: 症例:Cadence-Aware Set Encoding for Large-scale Next Basket Repurchase Recommendation
• Authors: Yanan Cao, Ashish Ranjan, Sinduja Subramaniam, Evren Korpeoglu, Kaushiki Nag, Kannan Achan,
• Abstract要約: 次回のバスケット再購入勧告のためのCASE(Cadence-Aware Set )を提案する。 アイテムレベルの学習を項目間インタラクションから切り離し、明示的なカレンダー時間モデリングを可能にする。 CASEは、強い次のバスケット予測ベースラインと比較して、複数のカットオフで精度、リコール、NDCGを継続的に改善する。
• 参考スコア（独自算出の注目度）: 10.555952109055665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Repurchase behavior is a primary signal in large-scale retail recommendation, particularly in categories with frequent replenishment: many items in a user's next basket were previously purchased and their timing follows stable, item-specific cadences. Yet most next basket repurchase recommendation models represent history as a sequence of discrete basket events indexed by visit order, which cannot explicitly model elapsed calendar time or update item rankings as days pass between purchases. We present CASE (Cadence-Aware Set Encoding for next basket repurchase recommendation), which decouples item-level cadence learning from cross-item interaction, enabling explicit calendar-time modeling while remaining production-scalable. CASE represents each item's purchase history as a calendar-time signal over a fixed horizon, applies shared multi-scale temporal convolutions to capture recurring rhythms, and uses induced set attention to model cross-item dependencies with sub-quadratic complexity, allowing efficient batch inference at scale. Across three public benchmarks and a proprietary dataset, CASE consistently improves Precision, Recall, and NDCG at multiple cutoffs compared to strong next basket prediction baselines. In a production-scale evaluation with tens of millions of users and a large item catalog, CASE achieves up to 8.6% relative Precision and 9.9% Recall lift at top-5, demonstrating that scalable cadence-aware modeling yields measurable gains in both benchmark and industrial settings.
• Abstract（参考訳）: 購入行動は、特に、頻繁に補充されるカテゴリーにおいて、大規模な小売レコメンデーションにおいて主要なシグナルである: ユーザの次のバスケットにある多くのアイテムが以前購入され、そのタイミングは安定したアイテム固有のケイデンスに従っている。 しかし、ほとんどの次のバスケット購入推奨モデルは、履歴を訪問注文によってインデックスされた個別のバスケットイベントのシーケンスとして表現する。 本報告では,CASE(Cadence-Aware Set Encoding for next basket repurchase recommendation)について述べる。 Caseは、各アイテムの購入履歴を固定地平線上のカレンダータイム信号として表現し、複数スケールの時間的畳み込みを共有して繰り返しリズムを捉える。 3つの公開ベンチマークとプロプライエタリなデータセットを通じて、CASEは、強い次のバスケット予測ベースラインと比較して、複数のカットオフで精度、リコール、NDCGを一貫して改善する。 数千万人のユーザと大規模なアイテムカタログによるプロダクション規模の評価において、CASEは、最大8.6%の相対精度と9.9%のリコールリフトをトップ5で達成し、スケーラブルなケイデンス対応モデリングがベンチマークと産業の両方で測定可能な利益をもたらすことを示した。

関連論文リスト

• T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation [0.0]
  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。
  論文  参考訳（メタデータ） (2026-02-23T19:19:46Z)
• 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)
• RefreshKV: Updating Small KV Cache During Long-form Generation [54.00118604124301]
  生成中の入力トークンのサブセットに対して、完全なコンテキストアテンションとアテンションを柔軟に交互に交互に切り替える新しい推論手法RefreshKVを提案する。 本手法をオフザシェルフ LLM に適用することにより,様々な長文生成タスクの性能を向上しつつ,エビクションベースの手法に匹敵する高速化を実現する。
  論文  参考訳（メタデータ） (2024-11-08T18:57:07Z)
• Within-basket Recommendation via Neural Pattern Associator [6.474720465174676]
  in-basket Recommation(WBR)は、空でないショッピングバスケットを完了するまでアイテムを推薦するタスクである。 本稿では,ユーザの意図を明示的にモデル化したディープアイテム・アソシエーション・マイニング・モデルであるNeural Pattern Associator (NPA)を提案する。
  論文  参考訳（メタデータ） (2024-01-25T19:40:55Z)
• Retrieving Continuous Time Event Sequences using Neural Temporal Point Processes with Learnable Hashing [24.963828650935913]
  エンド・ツー・エンドのCTES検索に特化して設計された一級フレームワークであるNeuroSeqRetを提案する。 我々は,精度と効率のトレードオフに基づいて,異なる種類のアプリケーションに対する妥当性モデルの4つの変種を開発する。 実験の結果,NeuroSeqRetの精度は向上し,ハッシュ機構の有効性も示された。
  論文  参考訳（メタデータ） (2023-07-13T18:54:50Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• 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)
• Classification Models for Partially Ordered Sequences [15.426481600285724]
  部分順序付きシーケンスに対する新しい変換器ベースモデルを提案する。 既存の順序不変モデルの拡張に対してベンチマークを行う。 変換器をベースとした等時モデルでは,3つのデータセット上で既存のモデルの拡張よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-31T05:08:21Z)

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。