Personalized recommender systems ar

Personalized recommender systems are used widely to increase sales and customer satisfaction in e-commerce. These systems use past behavior of users to recommend new items that are likely to be of interest to them. One of the most extensively studied techniques are latent factor models and related variants [1, 8, 9, 10]. These models project users and items into a lower-dimensional space of latent factors. Then, the similarity between a particular user and an item is computed via the inner product of their latent factors and the most similar items are recommended to the user. Despite substantial success in the Netflix contest [3, 8], in tag recommendation [15] and other applications, the latent factor model approach encounters specific challenges in product recommendation for online shopping: on a typical retail website we observe a long tail effect both in terms of users and in terms of items. This means that not only most users only buy a small number of items, but also that the majority of items are only infrequently purchased. On our data users typically purchase 2.4 items and 85% of the items are purchased by less than 10 users. This sparsity of useritem interactions makes it difficult to learn latent factors. In order to resolve the sparsity problem in online shopping, Kanagal et al. [7] use a human-induced taxonomy that attaches every item to a node in the category tree. Their proposed taxonomy-aware latent factor model assumes that the latent factor associated with each tree node is sampled from its parent node, thus generalizing the purchase data from an individual item to items belonging to the same category. Experimental studies show that this significantly improves the performance for online shopping data. Other related work includes Mnih et al. [12] and Menon et al. [11] who use the taxonomy to measure biases in music recommendation, and earlier works by Ziegler et al. [17] and Weng et al. [16] who incorporates the taxonomy in alternative recommender systems besides latent factor models. Unlike previous work that requires an existing taxonomy, we propose in this paper a novel approach that automatically discovers the taxonomy from online shopping data and jointly learns a taxonomy-based recommendation system from raw data. This has several benefits:
1. Many online shopping datasets don’t have an associated human-induced taxonomy since it may be too expensive to create a hand-crafted taxonomy and attach every item to the category. In contrast, for our algorithm it is sufficient to obtain the textual description text of items (whenever available) and purchase records. Both sources are much easier to collect.

ผลลัพธ์ (ไทย) 1:

ผู้แนะนำส่วนบุคคลระบบจะใช้กันอย่างแพร่หลายเพื่อเพิ่มยอดขายและความพึงพอใจของลูกค้าใน e-commerce ระบบเหล่านี้ใช้ลักษณะการทำงานของผู้ใช้ที่ผ่านมาเพื่อแนะนำรายการใหม่ที่มีแนวโน้มที่จะสนใจของพวกเขา หนึ่งในเทคนิคศึกษาอย่างกว้างขวางมากที่สุดคือรุ่นปัจจัยแฝงและตัวแปรที่เกี่ยวข้อง [1, 8, 9, 10] รุ่นเหล่านี้โครงการผู้ใช้และรายการลงในช่องว่างมิติต่ำกว่าปัจจัยแฝง แล้ว คำนวณความคล้ายคลึงกันระหว่างผู้ใดกับสินค้าผ่านผลิตภัณฑ์ภายในปัจจัยแฝงอยู่ และแนะนำรายการคล้ายกับผู้ใช้ แม้จะพบความสำเร็จในการแข่งขัน Netflix [3, 8], ในการแนะนำแท็ก [15] และโปรแกรมอื่น ๆ วิธีการแบบจำลองปัจจัยแฝงพบความท้าทาย specific ในการแนะนำผลิตภัณฑ์สำหรับช้อปปิ้งออนไลน์: เว็บไซต์ค้าปลีกทั่วไป เราสังเกตได้รับของกำนัลหางยาวทั้งในแง่ ของผู้ใช้ และในแง่ ของรายการ ซึ่งหมายความว่าไม่เพียงแต่ ผู้ใช้ส่วนใหญ่ซื้อจำนวนสินค้า ขนาดเล็กแต่ยังมีเพียงนาน ๆ ครั้งสามารถซื้อส่วนใหญ่ของรายการ ข้อมูลของเรานอกจากนี้ผู้ใช้มักจะซื้อสินค้า 2.4 และ 85% ของสินค้าที่ซื้อ โดยผู้ใช้น้อยกว่า 10 นี้ sparsity ของ useritem โต้ตอบทำให้การเรียนรู้ปัจจัยที่แฝงอยู่ เพื่อแก้ปัญหา sparsity ในการช้อปปิ้งออนไลน์ Kanagal et al. [7] ใช้ระบบภาษีที่เกิดจากมนุษย์ที่ทุกรายการกับโหนดในต้นไม้ประเภท นี้ รุ่นของพวกเขานำเสนอปัจจัยแฝงระบบภาษีทราบสันนิษฐานว่า ปัจจัยแฝงที่เกี่ยวข้องกับแต่ละโหนต้นไม้เป็นตัวอย่างจากโหนดหลัก generalizing ข้อมูลซื้อจากสินค้าแต่ละรายการเป็นของประเภทเดียวกันดังนั้น ศึกษาทดลองแสดงว่า significantly นี้ช่วยเพิ่มประสิทธิภาพสำหรับข้อมูลช้อปปิ้งออนไลน์ งานอื่น ๆ ที่เกี่ยวข้อง Mnih et al. [12] และพาดพิง et al. [11] ที่ใช้การจำแนกประเภทการวัดอคติในเพลงแนะนำ และทำงาน โดย Ziegler et al. [17] และเวง et al. [16] ซึ่งประกอบด้วยการจำแนกประเภทในระบบผู้แนะนำทางเลือกนอกเหนือจากปัจจัยแฝงรุ่น ก่อนหน้านี้ ซึ่งแตกต่างจากงานก่อนหน้านี้ที่ต้องมีระบบภาษีที่มีอยู่ เรานำเสนอในเอกสารนี้แนวทางนวนิยายที่พบระบบภาษีจากข้อมูลช็อปปิ้งออนไลน์โดยอัตโนมัติ และระบบการจำแนกประเภทตามคำแนะนำจากข้อมูลดิบที่เรียนรู้ร่วมกัน นี้มีประโยชน์ต่อหลาย:1. datasets ช้อปปิ้งออนไลน์จำนวนมากไม่มีระบบภาษีเกี่ยวข้องเกิดมนุษย์เนื่องจากมันอาจจะแพงเกินไปเพื่อสร้างระบบภาษีที่ฝีมือ และแนบสินค้าทุกประเภท ตรงกันข้าม สำหรับอัลกอริทึมของเรา มันเป็น sufficient จะได้รับข้อความข้อความอธิบายของสินค้า (หากมี) และซื้อระเบียน ทั้งสองแหล่งจะง่ายมากที่จะรวบรวม

ผลลัพธ์ (ไทย) 2:

ระบบ recommender ส่วนบุคคลมีการใช้กันอย่างแพร่หลายเพื่อเพิ่มยอดขายและความพึงพอใจของลูกค้าในรูปแบบ e-Commerce ระบบเหล่านี้จะใช้ลักษณะการทำงานที่ผ่านมาของผู้ใช้ที่จะแนะนำรายการใหม่ที่มีแนวโน้มที่จะเป็นที่สนใจของพวกเขา หนึ่งในเทคนิคที่มากที่สุดในการศึกษาอย่างกว้างขวางมีรูปแบบที่แฝงปัจจัยและตัวแปรที่เกี่ยวข้อง [1, 8, 9, 10] รูปแบบเหล่านี้ผู้ใช้โครงการและรายการในพื้นที่ที่ต่ำกว่ามิติของปัจจัยแฝง จากนั้นความคล้ายคลึงกันระหว่างผู้ใช้โดยเฉพาะและรายการที่มีการคำนวณผ่านผลิตภัณฑ์ภายในของปัจจัยแฝงของพวกเขาและรายการที่คล้ายกันมากที่สุดได้รับการแนะนำให้กับผู้ใช้ แม้จะประสบความสำเร็จอย่างมากในการประกวด FL ทรงเครื่องสุทธิ [3, 8] ในแท็กคำแนะนำ [15] และโปรแกรมอื่น ๆ ที่วิธีการรูปแบบปัจจัยแฝงพบ speci ท้าทาย Fi ซีแนะนำผลิตภัณฑ์สำหรับการช้อปปิ้งออนไลน์: บนเว็บไซต์ค้าปลีกทั่วไปเราสังเกตหางยาว E FF ect ทั้ง ในแง่ของผู้ใช้และในแง่ของรายการ ซึ่งหมายความว่าผู้ใช้ไม่เพียง แต่ส่วนใหญ่เพียงซื้อจำนวนเล็ก ๆ ของรายการ แต่ยังว่าส่วนใหญ่ของรายการที่จะซื้อเพียงไม่บ่อย ผู้ใช้ข้อมูลของเรามักจะซื้อ 2.4 รายการและ 85% ของรายการที่ถูกซื้อโดยน้อยกว่า 10 คน sparsity ของการมีปฏิสัมพันธ์ useritem นี้จะทำให้มันดิ FFI ลัทธิที่จะเรียนรู้ปัจจัยแฝง เพื่อที่จะแก้ไขปัญหา sparsity ในช้อปปิ้งออนไลน์ Kanagal et al, [7] ใช้อนุกรมวิธานของมนุษย์ที่เกิดขึ้นที่ยึดติดทุกรายการไปยังโหนดในโครงสร้างหมวดหมู่ อนุกรมวิธานตระหนักถึงปัจจัยรูปแบบของพวกเขาเสนอที่แฝงอยู่บนสมมติฐานที่ว่าปัจจัยแฝงที่เกี่ยวข้องกับแต่ละโหนดเป็นตัวอย่างจากโหนดแม่จึง generalizing ข้อมูลการซื้อจากแต่ละรายการไปยังรายการที่อยู่ในหมวดหมู่เดียวกัน การศึกษาทดลองแสดงให้เห็นว่านี้อย่างมีนัยสำคัญช่วยเพิ่มประสิทธิภาพสำหรับข้อมูลช้อปปิ้งออนไลน์ งานอื่น ๆ ที่เกี่ยวข้องรวมถึง Mnih et al, [12] และน้อน, et al [11] ที่ใช้อนุกรมวิธานวัดอคติในการแนะนำเพลงและผลงานก่อนหน้านี้โดย Ziegler, et al [17] และ Weng, et al [16] ที่ประกอบด้วยอนุกรมวิธานในระบบ recommender ทางเลือกนอกเหนือจากแบบจำลองปัจจัยแฝง ซึ่งแตกต่างจากการทำงานก่อนหน้านี้ที่ต้องมีการอนุกรมวิธานที่มีอยู่เรานำเสนอในบทความนี้แนวทางใหม่ที่จะค้นพบอนุกรมวิธานจากข้อมูลการช้อปปิ้งออนไลน์และร่วมเรียนรู้ระบบแนะนำอนุกรมวิธานตามจากข้อมูลดิบ นี้มี TS Bene Fi หลายประการ:
1 หลายชุดข้อมูลช้อปปิ้งออนไลน์ไม่ได้มีการอนุกรมวิธานของมนุษย์ที่เกิดขึ้นเกี่ยวข้องเพราะมันอาจจะแพงเกินไปที่จะสร้างอนุกรมวิธานมือ crafted และแนบทุกรายการไปที่ประเภท ในทางตรงกันข้ามสำหรับขั้นตอนวิธีการของเรามันเป็น Su FFI เพียงพอที่จะได้รับข้อความแสดงรายละเอียดเกี่ยวกับใจของรายการ (ใช้ได้เมื่อใดก็ตาม) และบันทึกการซื้อ ทั้งแหล่งที่มีมากขึ้นในการเก็บรวบรวม

ผลลัพธ์ (ไทย) 3:

แนะนำระบบส่วนบุคคลที่ใช้กันอย่างแพร่หลายเพื่อเพิ่มยอดขายและความพึงพอใจของลูกค้าในอีคอมเมิร์ซ ระบบเหล่านี้ใช้พฤติกรรมที่ผ่านมาของผู้ใช้ เพื่อแนะนำสินค้าใหม่ที่มักเป็นที่สนใจของพวกเขา หนึ่งในเทคนิคแบบกว้างขวางศึกษาปัจจัยและตัวแปรแฝงที่เกี่ยวข้อง [ 1 , 8 , 9 , 10 ] โมเดลเหล่านี้โครงการผู้ใช้และรายการที่ลงลดมิติของปัจจัยแฝง แล้ว ความเหมือนระหว่างผู้ใช้โดยเฉพาะ และรายการคำนวณผ่านทางผลิตภัณฑ์ภายในของตนแฝงปัจจัยและรายการที่คล้ายกันส่วนใหญ่จะแนะนำให้ผู้ใช้ แม้จะมีความสำเร็จอย่างมากในสุทธิfl 9 การประกวด [ 3 8 ] , ในแท็กแนะนำ [ 15 ] และโปรแกรมอื่น ๆ , รูปแบบปัจจัยแฝงวิธีการเผชิญความท้าทายในการแนะนำสินค้าประเภทจึง C สำหรับการช้อปปิ้งออนไลน์ในเว็บไซต์ค้าปลีกทั่วไปเราสังเกตหางยาว E ff ect ทั้งในแง่ของผู้ใช้และในแง่ของ รายการ ซึ่งหมายความว่าไม่เพียง แต่ผู้ใช้ส่วนใหญ่ซื้อเป็นจำนวนเล็ก ๆของรายการ แต่ยังว่า ส่วนใหญ่ของรายการเพียงไม่บ่อยซื้อ ในข้อมูลผู้ใช้ของเรามักจะซื้อ 2.4 รายการ และ 85% ของสินค้าที่ซื้อ โดยน้อยกว่า 10 ผู้ใช้ นี้ sparsity ของ useritem ปฏิสัมพันธ์ทำให้ ดิ ffiศาสนาเพื่อเรียนรู้ปัจจัยแฝง เพื่อแก้ไขปัญหาใน sparsity ช้อปปิ้งออนไลน์ kanagal et al . [ 7 ] ใช้มนุษย์การอนุกรมวิธานที่แนบไปยังโหนดในสินค้าทุกประเภท พวกเขาเสนออนุกรมวิธานตระหนักถึงปัจจัยแฝงรูปแบบสันนิษฐานว่าแฝงปัจจัยที่เกี่ยวข้องกับต้นไม้แต่ละโหนดเป็นโหนดของตัวอย่างจากพ่อแม่จึง Generalizing ข้อมูลซื้อจากสินค้าแต่ละรายการที่อยู่ในประเภทเดียวกัน การศึกษาทดลองแสดงให้เห็นว่านี้ลดลงอย่างมีนัยสําคัญเมื่อ signi จึงช่วยเพิ่มประสิทธิภาพในการช้อปปิ้งออนไลน์ งานอื่นๆ ที่เกี่ยวข้อง รวมถึง mnih et al . [ 12 ] และเมน et al . [ 11 ] ใครใช้อคติในอนุกรมวิธานวัดแนะนำ เพลง และก่อนหน้านี้ผลงานและ et al . [ 17 ] และเวง et al . [ 16 ] ซึ่งประกอบด้วยการแนะนำของระบบนอกจากรูปแบบปัจจัยแฝง ซึ่งแตกต่างจากงานก่อนหน้านี้ที่ต้องมีการอนุกรมวิธานที่มีอยู่ในกระดาษนี้เรานำเสนอแนวทางใหม่โดยอัตโนมัติค้นพบอนุกรมวิธานจากช้อปปิ้งออนไลน์ ข้อมูล และร่วมเรียนรู้อนุกรมวิธานตามระบบแนะนำจากข้อมูลดิบ นี้มี TS จึงดีหลาย1 . ข้อมูล ช้อปปิ้งออนไลน์ มากมาย ไม่ได้มีการเกี่ยวข้องของมนุษย์ตั้งแต่มันอาจจะแพงเกินไปที่จะสร้างมือ crafted อนุกรมวิธานและแนบทุกสินค้าในหมวดหมู่ ในทางตรงกันข้าม สำหรับขั้นตอนวิธีของเรามันซูffi cient ได้รับข้อความ รายละเอียดข้อความของรายการ ( ที่สามารถใช้ได้ ) และบันทึกการซื้อ ทั้งแหล่งจะง่ายมากที่จะเก็บ