論文の概要: DeepAffinity: Long-Term Aspect Preference Prediction in eCommerce using Small Language Models

• arxiv url: http://arxiv.org/abs/2609.02468v1
• Date: Wed, 02 Sep 2026 11:38:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.264266
• Title: DeepAffinity: Long-Term Aspect Preference Prediction in eCommerce using Small Language Models
• Title（参考訳）: DeepAffinity:小言語モデルを用いたeコマースにおける長期的嗜好予測
• Authors: Yotam Eshel, Guy Hadad, Guy Feigenblat, Yuri M. Brovman, Matt Gearhart, Bracha Shapira,
• Abstract要約: このタスクを解決することで、顧客の理解が向上し、レコメンデーション、検索、マーケティングにおける細かいパーソナライズが可能になる。 本稿では,SLM(Small Language Models)を利用したDeepAffinityを提案する。 本稿では,DeepAffinity が標準生成ファインチューニング法より優れており,汎用オープンソース LLM はタスク固有のチューニングなしでは性能が良くないことを示す。
• 参考スコア（独自算出の注目度）: 5.824115586015153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore predicting eCommerce user preferences for product aspects such as brand, size, and color - a task we define as Aspect Affinity. Solving this task improves customer understanding and enables fine-grained personalization in recommendation, search, and marketing. We frame Aspect Affinity as a temporal prediction task: forecasting a users future aspect choices from their time-ordered interaction history, capturing long-term preferences that evolve beyond the current session. To this end, we propose DeepAffinity, which leverages Small Language Models (SLMs) with structured prompts and specialized prediction heads fine-tuned for this task. We show DeepAffinity outperforms standard generative fine-tuning methods, while general-purpose open-source LLMs perform poorly without task-specific tuning, highlighting their limits in modeling nuanced behavior. Finally, DeepAffinity enhances recommendation quality on a large-scale multinational eCommerce platform.
• Abstract（参考訳）: 私たちは、ブランド、サイズ、色といった製品面のEコマースユーザの好みを予測することを検討します。 このタスクの解決により、顧客の理解が向上し、レコメンデーション、検索、マーケティングにおける細かいパーソナライズが可能になる。 私たちは、Aspect Affinityを時間的な予測タスクとして、ユーザの将来的な側面の選択を時間順のインタラクション履歴から予測し、現在のセッションを超えて進化する長期的な好みをキャプチャします。 そこで本研究では,SLM(Small Language Models)を利用したDeepAffinityを提案する。 本稿では、DeepAffinityが標準的な生成ファインチューニング法より優れており、汎用オープンソースLLMはタスク固有のチューニングなしでは性能が悪く、ニュアンスな振る舞いをモデル化する際の限界が強調されている。 最後に、DeepAffinityは大規模な多国籍eコマースプラットフォームにおけるレコメンデーション品質を高める。

関連論文リスト

• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• Personalized Vision via Visual In-Context Learning [62.85784251383279]
  パーソナライズされた視覚のためのビジュアル・イン・コンテキスト・ラーニング・フレームワークを提案する。 PICOは基盤となる変換を推測し、再トレーニングせずに新しい入力に適用する。 また,効率的な推論スケーリングによる信頼性向上を目的とした注意誘導型シードスコアラを提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:58:45Z)
• FaST: Feature-aware Sampling and Tuning for Personalized Preference Alignment with Limited Data [14.12452005994486]
  私たちは、ユーザ1人当たりの好みアノテーションの小さなセットだけを収集できるような、実用的で難しい設定に重点を置いています。 この分野での研究を支援するために、DnDとELIPという2つのデータセットを紹介します。 本稿では,データから自動的に検出される高次特徴を活用する,パラメータ効率の高いアプローチであるFaSTを提案する。
  論文  参考訳（メタデータ） (2025-08-06T17:58:26Z)
• LineRetriever: Planning-Aware Observation Reduction for Web Agents [76.60648750062036]
  ボトムアップ・トランケーションや埋め込みベースの検索といった現在のアプローチでは、ページの状態やアクション履歴に関する重要な情報が失われている。 textitLineRetrieverは、言語モデルを利用して、将来のナビゲーションステップに最も関係のある観測線を特定し、検索する新しいアプローチである。
  論文  参考訳（メタデータ） (2025-06-30T19:24:45Z)
• Research on E-Commerce Long-Tail Product Recommendation Mechanism Based on Large-Scale Language Models [7.792622257477251]
  大規模言語モデル(LLM)を用いた製品記述とユーザ行動シーケンスを統合した,新しいロングテール製品レコメンデーション機構を提案する。 我々の研究は、今後のeコマースレコメンデーションシステムにおいて、製品コンテンツとユーザ意図を解釈するLLMの可能性を強調します。
  論文  参考訳（メタデータ） (2025-05-31T19:17:48Z)
• Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
  我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。 我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
  論文  参考訳（メタデータ） (2025-05-01T22:02:46Z)
• A Survey of Personalized Large Language Models: Progress and Future Directions [86.45576419251302]
  LLM(Large Language Models)は、一般的な知識タスクを扱うのに優れているが、ユーザ固有のパーソナライゼーションに苦慮している。 パーソナライズされた大規模言語モデル(PLLM)は、個々のユーザデータを活用することでこれらの課題に対処する。 PLLMは、ユーザの満足度を大幅に向上させ、会話エージェント、システム、感情認識、医療アシスタントなどの幅広い用途に応用することができる。
  論文  参考訳（メタデータ） (2025-02-17T07:58:31Z)
• Evaluating Deep Vs. Wide & Deep Learners As Contextual Bandits For Personalized Email Promo Recommendations [1.1213676742918772]
  パーソナライゼーションにより、企業は過去のインタラクションから顧客の好みを学ぶことができる。 我々は、いくつかの選択肢から与えられた顧客に対する最適なプロモーションオファーを予測する問題は、文脈的盗聴の問題であると考えている。
  論文  参考訳（メタデータ） (2022-01-31T23:26:17Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)
• 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)
• Optimizing Offer Sets in Sub-Linear Time [5.027714423258537]
  本稿では,各項目数のサブ線形時間内で動作するパーソナライズされたオファーセット最適化アルゴリズムを提案する。 私たちのアルゴリズムは完全にデータ駆動で、ユーザーのサンプルに依存します。
  論文  参考訳（メタデータ） (2020-11-17T13:02:56Z)

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。