Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper provides a novel method for carbon footprint estimation at scale using LLMs and demonstrates the engagement-carbon tradeoff in recommendation systems, offering a benchmark for future research in sustainable AI and e-commerce.

🏢実務担当者:E-commerce platforms can adopt the carbon-aware re-ranking to reduce product-level emissions with minimal impact on engagement, using the LLM-based PCF estimation pipeline to overcome data scarcity.

🏛政策担当者:The findings support policies promoting low-carbon consumption and demonstrate the feasibility of integrating product carbon footprints into digital platforms, relevant for climate disclosure and sustainable finance frameworks.

Eコマースのレコメンダーシステムは、ユーザーがどの製品を検討し購入するかに強く影響を与えるが、Product Carbon Footprint（PCF）のような持続可能性シグナルは、カタログ規模ではほとんど利用できないのが現状である。我々は、PCFラベルがほとんどのアイテムで欠落しており、推定されなければならないという現実的な設定において、炭素を意識した製品レコメンデーションを研究する。まず、検索拡張型PCF推定パイプラインを用いて製品レベルのカーボンフットプリントを推定する。このパイプラインは、ライフサイクル評価済みの小規模な製品群であるCarbon Catalogueからの教師情報を、意味的類似性検索、少数ショットLLMプロンプティング、および最近傍フォールバックを用いて、ラベルなしの大規模Eコマースカタログに転移させる。次に、BPR、NeuMF、LightGCNという3つの確立されたレコメンデーションモデルによって生成された関連性スコアの上に、炭素を意識したポストホック再ランキング戦略を適用する。この手法は、予測されたユーザーとアイテムのエンゲージメントと推定カーボンフットプリントを、単一の調整可能なパラメータであるラムダを通じてトレードオフする。このオフライン研究では、エンゲージメントはAmazonレビューのインタラクションを通じて操作化され、これは暗黙のフィードバックとして機能し、ユーザーの関心や購入行動の代理指標となる。我々は、Amazon Reviewsデータセットを用いて、Home and Kitchen、Sports and Outdoors、Electronicsの3つの製品カテゴリにわたってフレームワークを評価する。ラムダを掃引することにより、各モデルとカテゴリについて達成可能なエンゲージメントと炭素のトレードオフを特徴付けるパレートフロンティアを構築する。すべてのモデルとカテゴリにおいて、最小限のエンゲージメントコストで実質的な炭素削減が達成可能である。しかしながら、利用可能な炭素ヘッドルームはモデルとカテゴリによって異なり、モデル選択とドメインコンテキストの重要性を強調している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

E-commerce recommender systems strongly influence which products users consider and purchase, yet sustainability signals such as Product Carbon Footprint (PCF) are almost never available at catalog scale. We study carbon-aware product recommendation in the realistic setting where PCF labels are missing for most items and must be inferred. We first estimate product-level carbon footprints via a retrieval-augmented PCF estimation pipeline that transfers supervision from the Carbon Catalogue, a small set of life-cycle-assessed products, to a large unlabeled e-commerce catalog using semantic similarity search, few-shot LLM prompting, and a nearest-neighbour fallback. We then apply a carbon-aware post-hoc re-ranking strategy on top of relevance scores produced by three established recommendation models: BPR, NeuMF, and LightGCN. The method trades off predicted user-item engagement against estimated carbon footprint through a single tunable parameter, lambda. In this offline study, engagement is operationalized through Amazon review interactions, which serve as implicit feedback and as a proxy for user interest or purchase behavior. We evaluate the framework on the Amazon Reviews dataset across three product categories: Home and Kitchen, Sports and Outdoors, and Electronics. By sweeping lambda, we construct Pareto frontiers that characterize the achievable engagement and carbon trade-off for each model and category. Substantial carbon reductions are achievable at minimal engagement cost across all models and categories. However, the available carbon headroom varies by model and category, underscoring the importance of model choice and domain context.

• openalex https://doi.org/10.48550/arxiv.2606.04550first seen 2026-06-07 04:53:38 · last seen 2026-06-18 04:52:32