Amazon-M2: A Multilingual Multi-locale Shopping Session Dataset for Recommendation and Text Generation

解决问题：本论文旨在解决电商领域中的个性化推荐问题，通过提供一个新的多语言、多地区的购物会话数据集，以此来更准确地理解用户的购物偏好，从而提供更好的个性化推荐服务。该问题在电商领域一直存在，但本论文提出的数据集是新的。

关键思路：本论文提供了一个名为Amazon-M2的多语言、多地区的购物会话数据集，其中包含数百万个用户会话。与现有数据集相比，该数据集具有更丰富的物品属性、更多样化的用户和更大的规模。在此基础上，本论文提出了三个任务：（1）下一个产品推荐，（2）具有领域转移的下一个产品推荐，（3）下一个产品标题生成。通过这些任务，本论文对一系列算法进行了基准测试，并提供了新的研究和实践见解。

其他亮点：本论文的数据集是多语言、多地区的，可以帮助提高个性化推荐的效果，具有很高的实用价值。此外，本论文还举办了KDD CUP 2023比赛，吸引了数千名用户和提交的解决方案，胜利的解决方案和相关研讨会可以在其网站上获得。

关于作者：本论文的主要作者来自亚马逊公司和多个大学，他们在个性化推荐和自然语言处理领域有着深厚的研究背景和经验。其中，Jiliang Tang曾在KDD、WWW等顶级会议上发表过多篇论文，研究方向涵盖社交网络、个性化推荐等多个领域。

相关研究：近期与本论文相关的研究包括：“Multi-Task Learning for Next Basket Recommendation”（作者：Dong-Kyu Chae, et al.，机构：KAIST）、“Personalized Recommendation with Multi-Head Attention: Supplementing User-Item Interaction with Item Descriptions”（作者：Yuta Saito, et al.，机构：NTT）、“Learning Dynamic User Interests for Recommendation with Self-Attention Networks”（作者：Yi Tay, et al.，机构：Nanyang Technological University）等。

论文摘要：本文介绍了一个名为Amazon-M2的多语种多地区购物会话数据集，该数据集包含数百万个用户会话，涵盖英语、德语、日语、法语、意大利语和西班牙语等六种主要语言的产品。该数据集有助于提高个性化推荐和理解用户偏好，可为现有任务提供帮助并开启新的任务。作者介绍了三个任务：（1）下一个产品推荐，（2）具有领域转移的下一个产品推荐和（3）下一个产品标题生成，并在数据集上对一系列算法进行了基准测试，为进一步的研究和实践提供了新的见解。此外，作者还在KDD CUP 2023上主办了一个竞赛，并吸引了数千名用户和提交。获胜解决方案和相关研讨会可在作者的网站https://kddcup23.github.io/上访问。

内容中包含的图片若涉及版权问题，请及时与我们联系删除