대형 전자상거래 마켓플레이스의 개인화된 상점 구성을 배치 수준 테마 생성과 배치별 키워드 생성으로 분해하는 계층형 머천다이징 프레임워크를 소개합니다. 교사-학생 파인튜닝으로 생산 지연 및 비용 제약 하에서 확장성을 향상시켰으며, AI 기반 콘텐츠 평가와 전통 랭킹 모델 융합으로 안전한 자동 배포를 가능하게 합니다. 온라인 실험에서 페이지뷰당 장바구니 추가율이 +2.7% 향상되었습니다.
- •상점 구성을 배치 수준 테마 생성과 배치별 키워드 생성으로 분해하는 계층형 생성 프레임워크를 제안합니다.
- •교사-학생 파인튜닝으로 생산 환경의 지연 및 비용 제약에서 확장성을 확보했습니다.
- •AI 기반 품질 필터링과 전통 랜킹 모델 융합으로 안전한 대규모 동적 콘텐츠 배포를 실현합니다.
- •온라인 실험에서 페이지뷰당 장바구니 추가 +2.7% 향상을 달성했습니다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
A Cascaded Generative Approach for e-Commerce Recommendations
- 1.이커머스 맞춤형 스토어프론트를 위한 계단식 생성 프레임워크 소개 (배치 테마→키워드 생성)
- 2.교사-학생 파인튜닝으로 프로덕션 지연 시간과 비용 제약 하에서 확장성 확보
- 3.생성 출력을 기존 랜킹 모델과 융합하여 하이브리드 인프라 유지
- 4.온라인 실험에서 페이지븷당 장바구니 추가율 +2.7% 향상
왜 중요한가?
대형 이커머스 플랫폼에서 정적 큐레이션의 한계를 극복하는 동적 생성 기반 개인화 프레임워크를 실증하며, 실제 서비스 적용 효과를 입증한다.
본문 미리보기
arXiv:2605.11118v1 Announce Type: new Abstract: Personalized storefronts in large e-commerce marketplaces are often assembled from many independent components: static themes per page section ("placement"), retrieval systems to fetch eligible products per placement, and pointwise rankers to order content. While effective in optimizing for aggregate preferences, this paradigm is rigid and can limit personalization and semantic cohesion across the page. This makes it poorly suited to support dynam
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
