Semantics Embedded Sequential Recommendation for E-Commerce Products (SEMSRec)
Notice bibliographique
Résumé
In Collaborative Filtering methods, tailored recommendations cannot be obtained when the user-item matrix is sparse (i.e., has low user-item interactions such as item ratings or purchases). Conventional recommendation systems (ChoiRec12, HPCRec18, HSPRec19) utilizing mining techniques such as clustering, frequent and sequential pattern mining along with click and purchase similarity measures for item recommendation cannot perform well when the user-item interactions are less, as the number of items keep increasing rapidly. Additionally, they have not explored the integration of semantic information of products extracted from customers' purchase histories into the item matrix and the pattern mining process. To address this problem, this paper proposes (SEMSRec) which integrates semantic information of E-commerce products extracted from purchase histories into all phases of recommendation process (pre-processing, pattern mining and recommendation). This is achieved by i) learning semantic similarities between items from customers' purchase histories using Prod2vec model, ii) leveraging this information to mine semantically rich sequential purchase patterns and, iii) enriching the item matrix with semantic and sequential product purchase information before applying item based collaborative filtering. Thus, SEMSRec can provide Top-K personalized recommendations based on semantic similarities between items without the need for users' ratings on items. Experimental results on publically available E-commerce data set show that SEMSRec provides more relevant recommendations over other existing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».