arXiv:2004.05716

Large-scale Real-time Personalized Similar Product Recommendations

Zhi Liu, Yan Huang, Jing Gao, Li Chen, Dong Li

제출 2020-04-12

원문 초록

Similar product recommendation is one of the most common scenes in e-commerce. Many recommendation algorithms such as item-to-item Collaborative Filtering are working on measuring item similarities. In this paper, we introduce our real-time personalized algorithm to model product similarity and real-time user interests. We also introduce several other baseline algorithms including an image-similarity-based method, item-to-item collaborative filtering, and item2vec, and compare them on our large-scale real-world e-commerce dataset. The algorithms which achieve good offline results are also tested on the online e-commerce website. Our personalized method achieves a 10% improvement on the add-cart number in the real-world e-commerce scenario.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2409.19979v4cs.IR공통 태그 Collaborative Filtering공식 코드 · Papers with Code

LLM 기반 추천 모델에서 고차 상호작용 인식 향상

Enhancing High-order Interaction Awareness in LLM-based Recommender Model

대규모 언어 모델(LLM)은 추천 태스크를 텍스트 생성 태스크로 변환함으로써 추천 분야에서 뛰어난 추론 능력을 입증해 왔습니다. 그러나 기존 접근 방식들은 사용자-아이템 간의 고차 상호작용을 무시하거나 비효율적으로 모델링합니다. 이를 위해 본 논문에서는 향상된 LLM 기반 추천기인 ELMRec을 제시합니다. 본 연구는 그래프 사전학습(pre-training) 없이도 추천을 위한 그래프 기반 상호작용에 대한 LLM의 해석 능력을 대폭 개선하기 위해 온단어 임베딩(whole-word embedding)을 강화합니다. 이러한 발견은 온단어 임베딩을 통해 풍부한 지식 그래프를 LLM 기반 추천 모델에 통합하려는 연구에 영감을 줄 수 있습니다. 또한 LLM이 최근의 상호작용보다 사용자의 초기 상호작용에 기반하여 아이템을 추천하는 경향이 있음을 발견하고, 이에 대한 재순위화(reranking) 솔루션을 제시합니다. 제안된 ELMRec은 직접 추천 및 순차적 추천 모두에서 최신(SOTA) 방법들보다 우수한 성능을 보입니다.

arXiv:2412.20802v3stat.ML공통 태그 Collaborative Filtering공식 코드 · Papers with Code

평점 데이터를 위한 신뢰 가능한 추천 시스템을 향하여

Towards Reliable Recommender Systems for Rating Data

추천 시스템은 디지털 환경에서 사용자를 선호에 맞는 콘텐츠와 연결하는 데 널리 사용된다. 그러나 가짜 계정, 전략적 조작(strategic manipulation), 기타 기만적인 온라인 행동에 대한 우려가 커지면서 이러한 시스템의 신뢰성에 대한 압력이 점점 커지고 있다. 추천 시스템의 일반적인 통계적 접근법은 이른바 행렬 완성(matrix completion)으로, 관측된 평점의 패턴을 바탕으로 아직 소비하지 않은 항목에 대해 사용자가 어떻게 평가할지를 예측한다. 행렬 완성 방법을 현실적으로 적용하려면 간과된 여러 과제를 함께 다루어야 한다: (i) 이산 척도의 평점(예: 1–5별); (ii) 가짜 프로필을 통해 의도적으로 시스템을 자신에게 유리하게 조작하는 악의적 사용자의 존재; (iii) 사용자가 좋아할 것으로 기대하는 항목을 더 소비할 가능성이 높기 때문에 무작위가 아닌 방식으로 누락되는 평점; (iv) 투명성, 재현성, 안정성의 확보. 우리는 희소 평점 데이터의 핵심 특성을 포착하면서 조작 상황에서도 신뢰성을 유지하도록 설계된 새로운 방법 Robust Discrete Matrix Completion(RDMC)를 제안하여 이러한 과제들을 공동으로 해결한다. 우리는 두 가지 사례 연구와 정교하게 설계된 시뮬레이션 실험을 통해 RDMC를 평가한다. 이에 따라 본 연구는 현실적인 시나리오에서 추천 시스템을 평가하는 방법에 대한 향후 연구를 위한 통계적으로 타당한 청사진을 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.