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:

ผู้แนะนำส่วนบุคคลระบบจะใช้กันอย่างแพร่หลายเพื่อเพิ่มขายและความพึงพอใจของลูกค้าใน e-commerce เหล่านี้ระบบที่ใช้ลักษณะการทำงานของผู้ใช้ที่ผ่านมาเพื่อแนะนำสินค้าใหม่ที่มีแนวโน้มที่จะสนใจของพวกเขา หนึ่งในสุดเทคนิคการศึกษาอย่างกว้างขวางเป็นแบบแฝงปัจจัย และแปรที่เกี่ยวข้อง [1, 8, 9, 10] ผู้ใช้โครงการรุ่นเหล่านี้และรายการลงในช่องว่างมิติต่ำกว่าปัจจัยแฝงแล้ว ความคล้ายคลึงระหว่างสินค้าและผู้คำนวณผ่านผลิตภัณฑ์ปัจจัยแฝงอยู่ภายใน และแนะนำรายการคล้ายกับผู้ใช้แม้จะพบความสำเร็จในการประกวด Netflix [3, 8],ในคำแนะนำแท็ก [15] และโปรแกรมอื่น ๆ แฝงอยู่วิธีการแบบจำลองปัจจัยพบความท้าทายที่เฉพาะเจาะจงในแนะนำผลิตภัณฑ์สำหรับช้อปปิ้งออนไลน์: บนเครื่องทั่วไปเว็บไซต์ที่เราสังเกตหางยาวที่มีผลกระทบทั้งในแง่ของการขายปลีกผู้ใช้และในแง่ ของรายการ หมายความ ว่า ส่วนใหญ่เท่านั้นผู้ใช้ซื้อสินค้า แต่พระขนาดเล็กจำนวนเท่านี้นาน ๆ ครั้งเท่านั้นจะซื้อส่วนใหญ่ของรายการ บนของเราผู้ใช้ข้อมูลโดยทั่วไปซื้อสินค้า 2.4 และ 85% ของสินค้าถูกซื้อ โดยผู้ใช้น้อยกว่า 10 นี้ sparsity ของ useritemโต้ตอบทำให้ยากต่อการเรียนรู้ปัจจัยแฝงเพื่อแก้ไขปัญหาในการช้อปปิ้งออนไลน์ sparsityKanagal et al. [7] ใช้ระบบภาษีเกิดจากมนุษย์ที่แนบสินค้าทุกโหนดในทรีประเภท ของพวกเขาสมมติปัจจัยแฝงระบบภาษีทราบเสนอรุ่นที่ปัจจัยแฝงที่เกี่ยวข้องกับแต่ละโหนต้นไม้เป็นตัวอย่างจากโหนดหลัก generalizing จึงซื้อข้อมูลจากสินค้าแต่ละรายการเป็นของประเภทเดียวกันศึกษาทดลองแสดงว่า นี้ช่วยปรับปรุงประสิทธิภาพสำหรับข้อมูลช้อปปิ้งออนไลน์ อื่นที่เกี่ยวข้องงานรวม Mnih et al. [12] และพาดพิง et al. [11]ที่ใช้การจำแนกประเภทการวัดอคติในเพลงแนะนำ,และการทำงานก่อนหน้านี้ โดย Ziegler et al. [17] และเวงet al. [16] ซึ่งประกอบด้วยการจำแนกประเภทในทางเลือกผู้แนะนำระบบนอกเหนือจากแบบจำลองปัจจัยแฝงซึ่งแตกต่างจากงานก่อนหน้านี้ที่ต้องมีระบบภาษีที่มีอยู่เรานำเสนอในเอกสารนี้เป็นแนวทางใหม่อัตโนมัติซึ่งพบระบบภาษี จากข้อมูลช้อปปิ้งออนไลน์ และกิจการเรียนรู้ระบบการจำแนกประเภทตามคำแนะนำจากข้อมูลดิบ นี้มีประโยชน์หลายประการ:1 หลาย datasets ช้อปปิ้งออนไลน์ไม่ได้ที่เกี่ยวข้องบุคคลที่เกิดระบบภาษี เพราะมันอาจจะแพงเกินไปเพื่อสร้างระบบภาษีที่ฝีมือ และแนบสินค้าทุกประเภท สำหรับอัลกอริทึมของเราตรงกันข้ามก็เพียงพอสำหรับรายละเอียดข้อความข้อความของสินค้า (หากมี) และซื้อเรกคอร์ด ทั้งสองแหล่งจะง่ายมากที่จะรวบรวม

ผลลัพธ์ (ไทย) 2:

ระบบ recommender ส่วนบุคคลมีการใช้กันอย่างแพร่หลายเพื่อเพิ่ม
ยอดขายและความพึงพอใจของลูกค้าในรูปแบบ e-Commerce เหล่านี้
ระบบการใช้พฤติกรรมที่ผ่านมาของผู้ใช้ที่จะแนะนำรายการใหม่
ที่มีแนวโน้มที่จะเป็นที่สนใจของพวกเขา หนึ่งในที่สุด
เทคนิคการศึกษาอย่างกว้างขวางมีรูปแบบที่แฝงปัจจัยและ
ตัวแปรที่เกี่ยวข้อง [1, 8, 9, 10] เหล่านี้ผู้ใช้รูปแบบโครงการ
และรายการในพื้นที่ที่ต่ำกว่ามิติของปัจจัยแฝง.
จากนั้นคล้ายคลึงกันระหว่างผู้ใช้โดยเฉพาะอย่างยิ่งและที่รายการ
คำนวณผ่านผลิตภัณฑ์ภายในของปัจจัยแฝงของพวกเขาและ
รายการที่คล้ายกันมากที่สุดจะแนะนำให้ผู้ใช้.
แม้จะมีมาก ประสบความสำเร็จในการประกวด Netflix [3, 8]
ในแท็กคำแนะนำ [15] และโปรแกรมอื่น ๆ ที่แฝง
วิธีการรูปแบบปัจจัยที่พบกับความท้าทายที่เฉพาะเจาะจงในการ
แนะนำผลิตภัณฑ์สำหรับการช้อปปิ้งออนไลน์: ในแบบฉบับ
เว็บไซต์ค้าปลีกเราสังเกตผลหางยาวทั้งในแง่ ของ
ผู้ใช้และในแง่ของรายการ ซึ่งหมายความว่าไม่เพียง แต่ส่วนใหญ่
ผู้ใช้เพียงซื้อจำนวนเล็ก ๆ ของรายการ แต่ยังว่า
ส่วนใหญ่ของรายการจะซื้อได้ไม่บ่อย ของเรา
ผู้ใช้ข้อมูลที่มักจะซื้อ 2.4 รายการและ 85% ของรายการที่
ถูกซื้อโดยน้อยกว่า 10 คน sparsity ของ useritem นี้
ปฏิสัมพันธ์ทำให้มันยากที่จะเรียนรู้ปัจจัยแฝง.
เพื่อที่จะแก้ไขปัญหา sparsity ในช้อปปิ้งออนไลน์
Kanagal et al, [7] ใช้อนุกรมวิธานของมนุษย์ที่เกิดขึ้นที่
ยึดติดทุกรายการไปยังโหนดในโครงสร้างหมวดหมู่ พวกเขา
อนุกรมวิธานตระหนักถึงรูปแบบปัจจัยเสนอแฝงอนุมานว่า
ปัจจัยแฝงที่เกี่ยวข้องกับแต่ละโหนดเป็นตัวอย่าง
จากโหนดแม่จึง generalizing ข้อมูลการซื้อ
จากแต่ละรายการไปยังรายการที่อยู่ในหมวดหมู่เดียวกัน.
การศึกษาทดลองแสดงให้เห็นว่านี้อย่างมีนัยสำคัญช่วยเพิ่ม
ประสิทธิภาพการทำงานสำหรับข้อมูลช้อปปิ้งออนไลน์ อื่น ๆ ที่เกี่ยวข้อง
ในการทำงานรวมถึง Mnih et al, [12] และน้อน, et al [11]
ที่ใช้อนุกรมวิธานวัดอคติในคำแนะนำเพลง
และผลงานก่อนหน้านี้โดย Ziegler, et al [17] และ Weng
, et al [16] ที่ประกอบด้วยอนุกรมวิธานใน recommender ทางเลือก
ระบบนอกเหนือจากแบบจำลองปัจจัยแฝง.
ซึ่งแตกต่างจากการทำงานก่อนหน้านี้ที่ต้องมีการอนุกรมวิธานที่มีอยู่
เรานำเสนอในบทความนี้แนวทางใหม่ที่จะ
ค้นพบอนุกรมวิธานจากข้อมูลการช้อปปิ้งออนไลน์และร่วม
เรียนรู้คำแนะนำอนุกรมวิธานตาม ระบบจาก
ข้อมูลดิบ ซึ่งมีประโยชน์หลายประการ:
1 หลายชุดข้อมูลช้อปปิ้งออนไลน์ไม่ได้มีความเกี่ยวข้อง
อนุกรมวิธานของมนุษย์ที่เกิดขึ้นเพราะมันอาจจะแพงเกินไป
ที่จะสร้างอนุกรมวิธานมือ crafted และแนบ
ทุกรายการไปที่ประเภท ในทางตรงกันข้ามสำหรับขั้นตอนวิธีการของเรา
มันจะเพียงพอที่จะได้รับรายละเอียดเกี่ยวกับใจ
ข้อความของรายการ (ใช้ได้เมื่อใดก็ตาม) และการซื้อ
ระเบียน ทั้งแหล่งที่มีมากขึ้นในการเก็บรวบรวม

ผลลัพธ์ (ไทย) 3:

แนะนำระบบส่วนบุคคลที่ใช้กันอย่างแพร่หลายเพื่อเพิ่มการขายและลูกค้าพึงพอใจในอีคอมเมิร์ซ เหล่านี้ระบบการใช้พฤติกรรมที่ผ่านมาของผู้ใช้ เพื่อแนะนำสินค้าใหม่ที่มักเป็นที่สนใจของพวกเขา หนึ่งในมากที่สุดศึกษาแบบจำลองปัจจัยแฝงเทคนิคอย่างกว้างขวางและที่เกี่ยวข้องกับตัวแปร [ 1 , 8 , 9 , 10 ] เหล่านี้รุ่นที่ผู้ใช้โครงการและรายการเป็นลดมิติของปัจจัยแฝงงั้น ความคล้ายคลึงกันระหว่างผู้ใช้โดยเฉพาะ และรายการจะคำนวณผ่านทางผลิตภัณฑ์ภายในของตนและปัจจัยแฝงรายการที่คล้ายกันส่วนใหญ่จะแนะนำให้ผู้ใช้แม้จะมีความสำเร็จอย่างมากในการแข่ง [ 3 , 4 ]ในแท็กแนะนำ [ 15 ] และโปรแกรมอื่น ๆที่แฝงวิธีการเผชิญความท้าทายเฉพาะในรูปแบบปัจจัยผลิตภัณฑ์แนะนำสำหรับการช้อปปิ้งออนไลน์ในทั่วไปขายปลีกเว็บไซต์เราสังเกตหางยาวผลทั้งในแง่ของและผู้ใช้ในแง่ของรายการ ซึ่งหมายความว่าไม่เพียง แต่มากที่สุดผู้ใช้เพียงซื้อจำนวนน้อยของรายการ แต่ยังว่าส่วนใหญ่ของสินค้าเป็นเพียงไม่บ่อยซื้อ ในของเราข้อมูลผู้ใช้มักจะซื้อ 2.4 รายการ และ 85% ของรายการถูกซื้อโดยน้อยกว่า 10 ผู้ใช้ นี้ sparsity ของ useritemของทำให้ยากที่จะเรียนรู้ปัจจัยแฝงเพื่อแก้ไขปัญหาใน sparsity ช้อปปิ้งออนไลน์kanagal et al . [ 7 ] การอนุกรมวิธานที่ใช้มนุษย์สินค้าทุกชิ้น เพื่อให้โหนดในต้นไม้ประเภท ของพวกเขาขอทราบรุ่นของปัจจัยแฝง สันนิษฐานว่าแฝงปัจจัยที่เกี่ยวข้องกับต้นไม้แต่ละโหนดคือตัวอย่างจาก แม่จึงซื้อ Generalizing ข้อมูลโหนดจากรายการแต่ละรายการที่อยู่ในประเภทเดียวกันการศึกษาทดลองแสดงให้เห็นว่านี้อย่างมีนัยสำคัญช่วยเพิ่มการแสดงข้อมูลสำหรับการช้อปปิ้งออนไลน์ อื่น ๆที่เกี่ยวข้องประกอบด้วยงาน mnih et al . [ 12 ] และเมน et al . [ 11 ]ใครใช้อคติในอนุกรมวิธานวัดแนะนำเพลงและก่อนหน้านี้ผลงานและ et al . [ 17 ] และเหวงet al . [ 16 ] ซึ่งประกอบด้วยของการแนะนำทางเลือกระบบนอกจากรูปแบบปัจจัยแฝงซึ่งแตกต่างจากงานก่อนหน้านี้ที่ต้องใช้ของที่มีอยู่ในกระดาษนี้เรานำเสนอแนวทางใหม่ให้โดยอัตโนมัติค้นพบอนุกรมวิธานจากช้อปปิ้งออนไลน์ข้อมูลและร่วมกันเรียนรู้ระบบอนุกรมวิธานตามคำแนะนำจากข้อมูลดิบ นี้มีข้อดีหลายประการ :1 . ข้อมูล ช้อปปิ้งออนไลน์ หลาย ไม่ มี ที่เกี่ยวข้องมนุษย์การอนุกรมวิธานตั้งแต่มันอาจจะแพงเกินไปเพื่อสร้างมือ crafted อนุกรมวิธานและแนบสินค้าทุกประเภท ในทางตรงกันข้าม สำหรับขั้นตอนวิธีของเรามันจะเพียงพอที่จะให้ได้รายละเอียดข้อความข้อความของรายการ ( ที่สามารถใช้ได้ ) และซื้อประวัติ ทั้งแหล่งจะง่ายมากที่จะเก็บ