Retail において、対比学習を用いた多様性を意識した商品レコメンデーション

arXiv:2602.08886v1 Announce Type: cross 本論文は、既存の IKEA Retail デジタルレコメンデーションパイプラインにおいて、レコメンデーション品質を損なわずにカタログの覆盖率を向上させる方法を提案しています。近年、人気バイアスを克服するための負サンプリングの進歩からヒントを得て、慎重に選定された負サンプリングと対比学習を統合しました。オフライン評価およびオンライン評価を通じて、我々の手法がレコメンデーションの多様性を高めながら、強力なレコメンデーション性能を維持することを示しました。

arXiv:2602.08886v1 Announce Type: cross Abstract: Recommender systems often struggle with long-tail distributions and limited item catalog exposure, where a small subset of popular items dominates recommendations. This challenge is especially critical in large-scale online retail settings with extensive and diverse product assortments. This paper introduces an approach to enhance catalog coverage without compromising recommendation quality in the existing digital recommendation pipeline at IKEA Retail. Drawing inspiration from recent advances in negative sampling to address popularity bias, we integrate contrastive learning with carefully selected negative samples. Through offline and online evaluations, we demonstrate that our method improves catalog coverage, ensuring a more diverse set of recommendations yet preserving strong recommendation performance.