Towards a simplified ontology for better e-commerce search
查询理解是一种语义搜索方法，它可以将客户搜索查询中的标记分类为诸如产品、品牌等实体。这种方法可以克服词袋方法的局限性，但需要本体。我们发现，目前的本体没有优化搜索，并提出了一个简化的本体框架，专门为电子商业搜索和检索。我们还提出了三种方法自动提取产品类的建议本体，并比较它们的性能相对于彼此。
2018-07-05 cs.IR
EAGER: Enrich-and-Align Generative Query Recommendation from Clicked Items in E-commerce Search
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对电商查询推荐中现有方法忽视长尾意图和平台知识的问题，提出EAGER两阶段框架，通过富化阶段课程式SFT和对齐阶段GRPO混合奖励，从点击商品生成个性化查询建议，并经离线实验和在线A/B测试验证有效性。
2026-09-09 cs.IR
RL-based Query Rewriting with Distilled LLM for online E-Commerce Systems
针对电商搜索中查询重写面临的效率与效果平衡问题，提出结合离线知识蒸馏与在线强化学习的混合流水线，利用大语言模型模拟人类反馈，在Amazon ESCI数据集上显著提升查询相关性、多样性和适应性。
2025-06-10 cs.IR
OneBar: An End-to-End Content-Grounded Generative Query Recommendation Framework for E-Commerce Video Feeds
Zhejiang University（浙江大学）；Kuaishou Technology（快手科技）
提出OneBar框架，通过协同多模态意图对齐、统一端到端架构和渐进偏好学习，解决短视频平台查询推荐中的延迟和偏好漂移问题，显著提升查询曝光和点击。
2026-06-16 cs.IR
ICEGR: An Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search
Baidu（百度）；Beihang University（北京航空航天大学）；Renmin University of China（中国人民大学）
本文针对现有电商搜索生成式检索方法的意图一致性问题，提出ICEGR框架，通过三个组件优化后，在离线指标及百度电商搜索A/B测试中均取得显著性能提升。
2026-09-11 cs.IR
A Chain-of-Thought Approach to Semantic Query Categorization in e-Commerce Taxonomies
eBay Inc, USA（eBay公司）；eBay Inc, Germany（eBay公司）
本文提出基于链式思维的电子商务查询分类方法，结合树搜索与LLM语义评分，提升分类准确性和扩展性。
2026-01-01 cs.CL cs.IR
Query-bag Matching with Mutual Coverage for Information-seeking Conversations in E-commerce
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
信息查询会话系统旨在通过会话满足用户的信息需求。在电子商业中，用户查询与预先收集的问题之间的文本匹配是信息搜索会话的重要组成部分。在实际情况中，一种问题总是对应着一个相同的答案。当然，这些问题可以形成一个袋子。直接学习用户查询和包之间的匹配可以提高会话性能，表示为查询-包匹配。受此启发，本文提出了一种查询-包匹配模型，该模型主要利用查询与包之间的相互覆盖度，度量包对查询内容的提及程度，反之亦然。此外，学习到的词级包表征有助于在较好的等级中找到包的要点，提高了查询-包匹配性能。在两个数据集上的实验表明了该模型的有效性。
2019-11-07 cs.CL cs.IR
Query Rewriting via Cycle-Consistent Translation for E-Commerce Search
JD.com Silicon Valley Research Center（京东硅谷研究中心）
如今，电子商业搜索已经成为许多人购物常规中不可或缺的一部分。当今电子商业搜索中的一个关键挑战是语义匹配问题，其中相关项目可能不包含用户查询中的确切术语。在本文中，我们提出了一种新的基于深度神经网络的查询重写方法，以解决这个问题。具体来说，我们制定查询重写成一个循环的机器翻译问题，利用丰富的点击日志数据。然后，我们引入了一种新的循环一致性训练算法，结合最先进的机器翻译模型，以实现查询重写精度方面的最佳性能。为了使其在工业场景中实用，我们优化了语法树的构造，以减少计算成本和在线服务延迟。离线实验表明，该方法能够将硬用户查询重写为更适合倒排索引检索的标准查询。与基于人工规则的方法相比，该模型在保持良好相关性的同时，显著提高了查询重写的多样性。在线A/B实验表明，它提高了核心电子商业业务指标显着。自2020年夏季以来，该模型已被引入我们的搜索引擎生产中，为数亿用户提供服务。
2021-05-28 cs.IR cs.LG
Neural Search: Learning Query and Product Representations in Fashion E-commerce
典型的电子商业平台在目录中包含数百万种产品。用户访问这些平台并输入搜索查询以检索他们想要的产品。因此，在顶部展示相关产品对于电子商业平台的成功至关重要。我们解决这个问题，通过学习低维表示查询和产品描述，利用用户点击流数据作为我们的主要信号源的产品相关性。从基于GRU的架构作为我们的基线模型开始，我们转向更高级的基于transformer的架构。这有助于模型学习查询和产品的上下文表示，以提供更好的搜索结果并以有效的方式理解用户意图。我们使用时尚语料库进行与基于Transformer的RoBERTa模型的预训练相关的实验，并在三重态损失上对其进行微调。我们在产品排名任务上的实验表明，RoBERTa模型能够在平均倒数排名（MRR）中提高7.8%，在平均平均精度（MAP）中提高15.8%，在归一化贴现累积增益（NDCG）中提高8.8%，从而优于我们基于GRU的基线。对于产品检索任务，RoBERTa模型能够优于其他两个模型，在Precision@50和Recall@50中分别提高了164.7%和145.3%。为了突出预训练RoBERTa对于时尚领域的重要性，我们定性地比较了标准数据集上已经预训练的RoBERTa与我们在时尚语料库上定制的预训练RoBERTa，以用于查询令牌预测任务。最后，我们还展示了一些测试查询的产品检索任务的GRU和ROBERTa结果之间的定性比较。
2021-07-17 cs.IR
Towards Personalized and Semantic Retrieval: An End-to-End Solution for E-commerce Search via Embedding Learning
如今，电子商业搜索已经成为许多人购物常规中不可或缺的一部分。在当今的电子商业搜索中存在两个关键挑战：如何检索语义相关但与查询词不精确匹配的项目，以及如何检索对于相同搜索查询的不同用户而言更加个性化的项目。在本文中，我们提出了一种称为DPSR的新方法，它代表深度个性化和语义检索，以解决这个问题。解释，我们分享我们的设计决策，如何架构一个检索系统，以有效地服务于行业规模的交通，以及如何训练模型，以准确地学习查询和项目语义。基于离线评估和实时流量的在线A/B测试，我们表明DPSR模型优于现有模型，DPSR系统可以检索更多个性化和语义相关的项目，显着改善用户的搜索体验+1.29%的转换率，特别是长尾查询+10.03%。因此，自二零一九年起，我们的DPSR系统已成功应用于JD.com的搜索产品。
2020-06-05 cs.IR
Context-Aware Query Rewriting for Improving Users' Search Experience on E-commerce Websites
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊）
电子商业查询通常简短而模糊。因此，查询理解通常使用查询重写来消除用户输入查询的歧义。在使用电子商业搜索工具时，用户倾向于在购买之前输入多个搜索，我们称之为上下文。这些历史搜索包含关于用户真实购物意图的上下文洞察。因此，建模这样的上下文信息是一个更好的查询重写模型的关键。然而，现有的查询重写模型忽略了用户的历史行为，只考虑即时搜索查询，这往往是一个简短的字符串提供有限的信息，真正的购物意图。我们提出了一个端到端的上下文感知查询重写模型来弥补这一差距，它考虑到搜索上下文。具体来说，我们的模型使用历史搜索查询及其包含的单词构建会话图。然后，我们采用一个图形注意力机制，模型的交叉查询关系和计算上下文信息的会话。该模型随后通过使用聚合网络将上下文信息与即时搜索查询组合来计算会话表示。会话表示然后被解码以生成重写的查询。从经验上讲，我们证明了我们的方法的优越性，以国家的最先进的方法在各种指标。在来自在线购物平台的内部数据上，通过引入上下文信息，与最佳基线方法（基于transformer的模型）相比，我们的模型在MRR（平均倒数排名）指标下实现了11.6%的改进，在HIT@16指标（命中率指标）下实现了20.1%的改进。
2022-09-24 cs.IR cs.LG
A Multi-Granularity Matching Attention Network for Query Intent Classification in E-commerce Retrieval
查询意图分类是电子商业搜索引擎的重要组成部分，其目的是帮助用户找到所需的产品。现有的查询意图分类模型要么设计更精致的模型来增强查询的表示学习，要么探索标签图和多任务来促进模型学习外部信息。然而，这些模型不能捕捉多粒度的匹配功能，从查询和类别，这使得他们很难缓解非正式查询和类别之间的表达差距。本文提出了一种多粒度匹配注意力网络（MMAN），它包含三个模块：自匹配模块、字符级匹配模块和语义级匹配模块，用于从查询和查询-类别交互矩阵中综合提取特征。通过这种方式，该模型可以消除查询和类别之间的表达差异，用于查询意图分类。我们进行了大量的离线和在线A/B实验，结果表明，MMAN显着优于强基线，这表明了MMAN的优越性和有效性。MMAN已在生产中部署，为公司带来了巨大的商业价值。
2023-03-28 cs.CL cs.IR
LESER: Learning to Expand via Search Engine-feedback Reinforcement in e-Commerce
针对电商搜索中模糊查询匹配难的问题，提出LESER框架，利用实时搜索引擎反馈强化学习微调大语言模型，将查询扩展作为检索优化任务，显著提升语义覆盖、检索相关性与用户参与度。
2025-09-10 cs.IR
IntentTune: Using user demand and personalization to resolve "unknown" query intents for e-commerce search
eBay Inc.（eBay公司）
针对电商搜索中大量查询意图不明确的问题，提出IntentTune框架，利用用户行为信号或群体需求模式推断潜在意图，实验表明用户特定行为信号（尤其是历史搜索）优于群体统计和静态画像。
2026-07-03 cs.AI cs.IR
JointMap: Joint Query Intent Understanding For Modeling Intent Hierarchies in E-commerce Search
Emory University（埃默里大学）；The Home Depot（家得宝）
准确理解用户的查询意图可以帮助提高下游任务（如查询范围和排名）的性能。在电子商业领域，最近的工作在查询理解集中在查询到产品类别的映射。但是，有一小部分查询（在我们的网站上，2019年有1.5%或3300万次查询）与非商业意图相关。这些意图通常与非商业信息寻求需求相关联，如折扣，商店营业时间，安装指南等。在本文中，我们介绍了联合查询意图理解（JointMap），一种深度学习模型，用于同时学习两个不同的高级用户意图任务：1）识别查询的商业与非商业意图，以及2）将分类中的一组相关产品类别与产品查询相关联。JointMap模型通过联合学习过程利用这两个相关任务之间存在的迁移偏差来工作。由于为这些任务策划标记数据集可能是昂贵和耗时的，我们提出了一种远程监督方法，结合主动学习模型来生成高质量的训练数据集。为了证明JointMap的有效性，我们使用从大型商业网站收集的搜索查询。我们的研究结果表明，与最先进的深度学习方法相比，JointMap显著提高了“商业与非商业”意图预测和产品类别映射的平均2.3%和10%。我们的研究结果提出了一个有前途的方向，在电子商业搜索引擎的意图层次模型。
2020-05-29 cs.CL cs.IR
Modified Query Expansion Through Generative Adversarial Networks for Information Extraction in E-Commerce
Istanbul Technical University（伊斯坦布尔理工大学）；Insider
本文提出了一种基于生成对抗网络（GAN）的查询扩展方法，以提高电子商业中信息搜索的有效性。我们提出了一种改进的QE条件GAN（mQE-CGAN）框架，它通过使用综合生成的查询扩展查询来解决关键字，该查询提出了来自文本输入的语义信息。我们训练一个序列到序列的Transformer模型作为生成器来产生关键字，并使用一个递归神经网络模型作为训练器来对生成器的对抗输出进行分类。通过修改后的CGAN框架，从查询文档语料库中收集的各种形式的语义见解被引入到生成过程中。我们利用这些见解作为条件的生成器模型，并讨论其有效性的查询扩展任务。我们的实验表明，在mQE-CGAN框架内利用条件结构可以将生成的序列和参考文档之间的语义相似度提高近10
2022-12-30 cs.CR cs.IR cs.LG
Towards Scalability and Extensibility of Query Reformulation Modeling in E-commerce Search
本文针对低流量、多语言及训练数据有限的电商搜索场景，提出可扩展的查询改写建模方案，并通过搜索排序与 Ads 匹配的在线 A/B 测试验证其收入提升效果。
2024-10-02 cs.IR
A unified Neural Network Approach to E-CommerceRelevance Learning
结果相关性评分对电子商务搜索用户体验至关重要。传统的信息检索方法侧重于关键词匹配和手工或基于计数的数字特征，对项目语义相关性的理解有限。我们描述了一个高度可扩展的前馈神经模型，为（查询，项目）对提供相关性得分，仅使用用户查询和项目标题作为特征，用户点击反馈以及有限的人类评级作为标签。应用了几个一般的增强来进一步优化评估/测试指标，包括Siamese成对架构，随机批量负协同训练和逐点微调。我们发现，在独立构建的评级数据集上，GBDT基线以及几个现成的深度学习基线有了显着的改进。GBDT模型依赖于10倍以上的功能。我们还提出了上述技术的选择子集组合的指标。
2021-04-26 cs.IR
Search Intenion Network for Personalized Query Auto-Completion in E-Commerce
Alibaba Group（阿里巴巴集团）
针对电商场景下查询自动补全存在的意图模糊、意图转移两大挑战，提出搜索意图网络以解决现有个性化QAC方法难以准确建模当前用户搜索意图的问题。
2024-03-05 cs.IR cs.LG
A Semi-supervised Scalable Unified Framework for E-commerce Query Classification
针对电商查询分类中先验信息不足、依赖后验点击导致马太效应及缺乏统一框架的问题，提出半监督可扩展统一框架SSUF，通过知识、标签和结构增强模块统一并优化分类任务，实验证明其显著优于现有模型。
2025-06-26 cs.AI cs.CL cs.IR
Differentiable Retrieval Augmentation via Generative Language Modeling for E-commerce Query Intent Classification
针对检索器与下游模型异步训练导致的性能下降问题，提出可微检索增强方法Dragan，通过可微重构实现端到端联合训练，在电商查询意图分类的离线与在线实验中均显著优于基线。
2023-09-15 cs.CL cs.IR
Intent term selection and refinement in e-commerce queries
Institute for Clarity in Documentation（文档清晰性研究所）；Brookhaven Laboratories（布鲁克海文实验室）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Palmer Research Laboratories（帕尔默研究实验室）；Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗克库尔中心）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；University of Minnesota（明尼苏达大学）；WalmartLabs（沃尔玛实验室）
在电子商业中，用户倾向于通过向搜索引擎发出查询并检查检索到的结果来搜索期望的产品。如果搜索引擎成功地正确理解了用户的查询，则它将返回对应于产品的结果，这些产品的属性与查询中的表示查询的产品意图的术语相匹配。然而，由于查询处理中的不同问题，搜索引擎可能无法检索满足查询的产品意图的结果，从而降低了用户体验：（i）当查询中存在多个术语时，可能无法确定表示查询的产品意图的相关术语，以及（ii）可能遭受查询中的术语与产品描述之间的词汇差距，也就是说，查询中使用的术语在语义上类似于产品描述中的术语，但与产品描述中的术语不同。因此，识别描述查询的产品意图的术语并预测比搜索引擎的现有查询术语更好地描述查询的产品意图的附加术语是电子商业搜索中的基本任务。在本文中，我们利用一个主要的电子商业零售商的历史查询重构日志开发远程监督的方法来解决这两个问题。我们的方法利用的事实，一个术语的意义是依赖于上下文（其他条款在附近），它是用来学习的重要性，对查询的产品意图。我们发现，识别和强调的条款，定义查询的产品意图导致排名提高了3%。此外，对于识别查询中的重要术语和预测代表产品意图的附加术语的任务，实验表明，我们的方法优于非上下文基线。
2019-08-22 cs.AI cs.IR cs.LG
Multi-Modality Transformer for E-Commerce: Inferring User Purchase Intention to Bridge the Query-Product Gap
Kennesaw State University（肯尼索州立大学）；The Home Depot, Inc（家得宝公司）
本文提出多模态Transformer模型PINCER，利用点击流和产品目录数据将用户查询转为伪产品表示，以推断购买意图，实验证明其优于现有方法。
2025-01-21 cs.AI cs.IR cs.LG
Automated Query-Product Relevance Labeling using Large Language Models for E-commerce Search
Walmart Global Tech（沃尔玛全球技术）
本研究利用大型语言模型结合提示工程技术，自动化电子商务搜索的查询-产品相关性标注，在多个数据集上接近人类水平，显著降低成本和时间，并提升搜索体验。
2025-02-21 cs.AI cs.CL cs.IR
DeepCAT: Deep Category Representation for Query Understanding in E-commerce Search
Emory University（埃默里大学）；The Home Depot（家得宝）
将搜索查询映射到产品分类中的一组相关类别在电子商业搜索中是一个重大挑战，原因有两个：1）由于有偏见的点击行为，训练数据表现出严重的类不平衡问题，以及2）具有很少客户反馈的查询（例如，尾查询）在训练集中没有很好地表示，并且导致查询理解的困难。为了解决这些问题，我们提出了一个深度学习模型DeepCAT，它学习联合词-类别表示以增强查询理解过程。我们相信，学习类别的相互作用，有助于提高少数类，尾部和躯干查询的类别映射的性能。DeepCAT包含一个新的词-类别表示模型，该模型基于训练集中的词-类别共现来训练类别表示。然后利用类别表示引入一个新的损失函数来估计类别-类别共现，以改进联合词-类别嵌入。为了证明我们的模型对少数类别和尾查询的有效性，我们进行了两组实验。结果表明，DeepCAT在少数类上实现了10%的改进，在最先进的标签嵌入模型上实现了7.1%的尾查询改进。我们的研究结果提出了一个有前途的方向，以改善电子商业搜索的语义建模的分类层次结构。
2021-05-10 cs.CL cs.IR cs.LG
Synthetic Data Powers Product Retrieval for Long-tail Knowledge-Intensive Queries in E-commerce Search
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝和天猫集团）
本文提出一种高效的数据合成框架，用于处理电商搜索中长尾知识密集型查询，通过隐式提炼强大离线查询重写模型的能力，提升检索效果。
2026-04-27 cs.IR
Semantic Equivalence of e-Commerce Queries
Ebay Inc.（易趣公司）
本文提出一个结合表面规范化和历史行为相似性的框架，用于识别电子商务查询的语义等价性，并通过离线训练与在线最近邻方法在查询相似性上达到0.85的Pearson相关系数，优于主流句子变换器模型。
2023-08-07 cs.CL cs.IR cs.LG
Query Generation with Direct Preference Optimization for Document Expansion in E-commerce Search
Walmart Global Technology（沃尔玛全球技术）；Walmart Global Tech（沃尔玛全球科技）
针对Doc2Query生成查询存在幻觉和重复问题，提出QGDPO方法，利用直接偏好优化和相关性过滤，显著减少不相关预测，已部署至生产环境并提升搜索相关性和用户参与度。
2026-10-06 cs.IR
DSIRM: Learning Query-Bridged Discrete Semantic Identifiers for E-commerce Relevance Modeling
Taobao & Tmall Group of Alibaba（淘宝与天猫集团）
针对电商搜索中连续嵌入难以捕捉细粒度属性区分的问题，提出查询桥接对比量化的离散语义标识符相关性模型（DSIRM），通过注入查询-物品交互监督学习语义感知分区，并利用生成式大语言模型预测物品标识符，显著提升相关性建模效果。
2026-06-03 cs.AI cs.IR
Structured Query Reformulations in Commerce Search
最近的工作表明，在商业搜索理解用户查询的语义，使更有效的查询分析和检索相关的产品。然而，由于缺乏足够的领域知识，用户查询往往包括无法直接映射到任何产品属性的条款。例如，寻找{ \tt设计师手袋}的用户可能以这样的查询开始，因为她不熟悉制造商、价格范围和/或给予手袋设计师吸引力的材料。当前的商业搜索引擎将诸如{ \tt designer}之类的术语视为关键字，并试图将它们与诸如产品评论和产品描述之类的内容相匹配，这通常导致较差的用户体验。在这项研究中，我们建议解决这个问题，重新制定查询涉及的条款，如{ \tt设计师}，我们称之为\emph{modifiers}，查询，指定精确的产品属性。我们学习通过分析用户行为和利用结构化数据源（如服务于查询的产品目录）来重写属性值的修饰符。我们首先产生一个基于用户行为数据的修饰符和属性值之间的概率映射。然后，这些初始关联被用于从目录中检索产品，我们根据这些产品推断出最能描述修饰符语义的属性值集。我们评估我们的方法的有效性的基础上全面的机械土耳其人的研究。我们发现，用户同意我们的方法选择的属性值在约95%的情况下，他们更喜欢的结果，我们重新制定的查询，原来的查询在87%的时间。
2012-08-13 cs.DB cs.IR
E-commerce Query-based Generation based on User Review
University of Illinois（伊利诺伊大学）
随着电子商业平台上的商品数量越来越多，用户倾向于参考其他购物者的评论来决定他们应该购买哪种产品。然而，对于一个产品有这么多的评论，用户通常不得不花很多时间浏览评论，谈论他们不关心的产品属性。我们希望建立一个系统，可以自动总结和回答用户的产品特定的问题。在这项研究中，我们提出了一种新的seq 2seq为基础的文本生成模型来生成用户的问题的答案的基础上发表的评论以前的用户。给定用户问题和/或目标情感极性，我们提取感兴趣的方面，并生成一个答案，总结以前的相关用户评论。具体来说，我们的模型在编码过程中在输入评论和目标方面之间进行注意，并且在解码过程中以评论评级和输入上下文为条件。我们还结合了一个预训练的辅助评级分类器，以提高模型性能并加速训练过程中的收敛。使用真实世界的电子商业数据集的实验表明，我们的模型实现了性能的改善相比，以前介绍的模型。
2020-11-11 cs.CL cs.IR cs.LG
Query Brand Entity Linking in E-Commerce Search
Amazon（亚马逊）
针对电商搜索中查询简短且品牌目录庞大的挑战，提出级联流水线与极端多分类两种品牌实体链接方法，经11种语言评估和在线实验验证，在保持高精度下提升品牌召回率，增强客户参与度。
2026-09-10 cs.AI cs.IR cs.LG
Transfer Learning for E-commerce Query Product Type Prediction
Amazon（亚马逊公司）
针对电商查询商品类型预测中低资源区域性能差、拓展新区域成本高的问题，提出高资源到低资源的迁移学习方案，经20个区域的大规模数据集验证，统一的感知区域模型性能更优。
2024-09-20 cs.AI cs.IR cs.LG
Learning Multi-Stage Multi-Grained Semantic Embeddings for E-Commerce Search
从数十亿规模的语料库中检索与用户查询匹配的相关项是工业电子商业搜索系统的核心，基于嵌入的检索（EBR）方法在其中占主导地位。这些方法采用双塔框架分别学习查询和项目的嵌入向量，从而利用高效的近似最近邻（ANN）搜索来检索相关项目。然而，现有的EBR方法通常忽略不一致的用户行为在工业多阶段搜索系统，导致检索效率不足，商业回报低。为了应对这一挑战，我们提出通过学习多级多粒度语义嵌入（MMSE）来改进EBR方法。我们提出了多阶段信息挖掘，利用实际用户行为数据中的有序，点击，未点击和随机抽样项目，然后通过后融合策略捕获查询项目的相似性。然后，我们提出了多粒度的学习目标，将检索损失与全局比较能力和排名损失与局部比较能力相结合，以生成语义嵌入。在真实世界的十亿规模数据集上进行的实验和在线A/B测试都验证了MMSE在离线召回和在线转换率（CVR）等指标上实现显着性能改进的有效性。
2023-03-20 cs.IR
Hierarchical Query Classification in E-commerce Search
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊公司）；The Pennsylvania State University（宾夕法尼亚州立大学）
针对电商分层查询分类中类别不平衡、查询短且歧义的问题，提出融合实例与标签层级信息的框架及邻域感知采样技术，在多数据集上取得优异表现。
2024-03-09 cs.IR cs.LG
TIGER-FG: Text-Guided Implicit Fine-Grained Grounding for E-commerce Retrieval
Kuaishou Technology（快手科技）
本文提出TIGER-FG框架，通过文本引导生成目标聚焦的物品表示，解决电商检索中模态和粒度不匹配的问题，并在两个基准测试中提升了检索精度。
2026-05-18 cs.CV cs.IR
Semantic-enhanced Modality-asymmetric Retrieval for Online E-commerce Search
本文提出SMAR模型，通过融合商品视觉与文本信息解决电子商务搜索中查询单模态、商品多模态的非对称检索问题，显著提升了检索准确率并开源了工业数据集。
2025-06-25 cs.IR
Identifying High Consideration E-Commerce Search Queries
Amazon.com, Inc.（亚马逊公司）
本文提出基于参与度的查询排序方法EQR，利用客户行为、财务和目录信息等查询级特征识别电子商务高考虑度查询，离线实验和人工评估均验证其有效性，并已在商业部署中超越人工选择。
2024-10-17 cs.AI cs.CL cs.IR
Personalizing Similar Product Recommendations in Fashion E-commerce
在时尚电子商业平台中，产品发现是良好用户体验的关键组成部分之一。有很多方法可以让人们找到他们想要的产品。类似产品推荐是用户查找与其意图产生共鸣的产品的流行模式之一。一般来说，这些推荐不是针对特定用户的。传统上，基于协同过滤的方法已经在文献中流行，用于在给定查询产品的情况下推荐非个性化产品。此外，已经关注于针对给定用户个性化产品列表。在本文中，我们结合这些方法，使用户将推荐个性化的类似产品。我们在一个大型时尚电子商业平台（Myntra）上的实验结果表明，我们可以通过在相似产品推荐上应用个性化来提高关键指标。
2018-06-29 cs.IR
Light-weight End-to-End Graph Interest Network for CTR Prediction in E-commerce Search
本文提出轻量级端到端图兴趣网络EGIN，通过查询-物品异构图、轻量级图采样和多兴趣网络联合建模查询与物品的相关性和序列信息，以较低训练成本提升电商搜索CTR预测效果。
2024-07-04 cs.IR cs.LG
Doc2Token: Bridging Vocabulary Gap by Predicting Missing Tokens for E-commerce Search
针对电商搜索中的词汇不匹配问题，提出预测文档缺失词元的Doc2Token技术，引入novel ROUGE score指标，在预测多样性、效率及线上A/B测试收入上均优于Doc2Query。
2024-06-28 cs.IR
Analyticup E-commerce Product Search Competition Technical Report from Team Tredence_AICOE
Tredence（Tredence 公司）
本报告提出多语言电商搜索系统，通过数据增强和微调 Gemma-3 12B 与 Qwen-2.5 14B 模型，在 QC 和 QI 相关性任务上取得最佳性能，最终以平均 F1 0.8857 获得第4名。
2025-10-23 cs.CL cs.IR
Fine-tune BERT for E-commerce Non-Default Search Ranking
电子商业平台上的非默认排名的质量，例如基于物品价格上升或历史销售量下降，通常遭受严重的相关性问题，因为不相关的物品更容易暴露在排名结果的顶部。在这项工作中，我们提出了一个两阶段的排名方案，首先通过精确的查询/标题关键字匹配来召回广泛的候选项，然后使用对人类标签数据进行微调的BERT-Large对召回的项进行分类。我们还在多个GPU主机和Tensorflow的C++标记化自定义操作上实现了并行预测。在这个数据挑战中，我们的模型在监督阶段获得了第一名（基于整体F1得分），在最终阶段获得了第二名（基于每个查询的平均F1得分）。
2020-08-21 cs.CL cs.IR
Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能全国重点实验室）；Kuaishou Technology（快手科技）
本文提出了一种面向情境感知的推理增强生成搜索框架，通过整合上下文信息和改进推理能力，提升电子商务搜索推荐的性能。
2026-02-13 cs.IR
Ensemble Methods for Personalized E-Commerce Search Challenge at CIKM Cup 2016
个性化搜索是多年来的研究热点，在电子商业中得到了广泛的应用。本文介绍了我们的解决方案，以应对个性化的电子商业搜索在CIKMCup 2016的挑战。这项比赛的目标是预测搜索相关性，并根据个性化的搜索，浏览和购买偏好重新排名SERP中的结果项。基于对所提供数据的详细分析，我们提取了三种不同类型的特征，即，统计特征、查询项特征和会话特征。在这些特征上使用了不同的模型，包括逻辑回归、梯度提升决策树、秩支持向量机和一种新的深度匹配模型。通过多个模型的混合，建立堆叠集成模型，以整合各个模型的输出，产生更准确的预测结果。基于这些努力，我们的解决方案在所有评估指标上赢得了比赛的冠军。
2017-08-15 cs.IR
Improving E-commerce Search with Category-Aligned Retrieval
针对电商搜索中查询与目录的语义鸿沟，提出类别对齐检索系统（CARS），通过可训练类别原型预测并提升相关产品，显著提高类别预测准确率，但需注意盲目提升对相关性指标的负面影响，强调自适应集成策略。
2025-09-03 cs.IR
A Semi-supervised Multi-channel Graph Convolutional Network for Query Classification in E-commerce
针对电商查询分类中点击后验标签导致的类别不平衡与标签不稳定问题，本文提出半监督多通道图卷积网络SMGCN，融合查询-类别相似度及类别共现、语义图，并通过离线与在线A/B实验验证其优越效果。
2024-08-04 cs.AI cs.CL cs.IR
AIGQ: An End-to-End Hybrid Generative Architecture for E-commerce Query Recommendation
Taobao \& Tmall Group of Alibaba Hangzhou China；University of Electronic Science；Taobao \& Tmall Group of Alibaba
AIGQ通过端到端生成框架解决电商查询推荐中的语义浅层、冷启动差和偶然性问题，采用兴趣感知列表监督微调和兴趣感知列表组相对策略优化，提升查询相关性和列表属性。
2026-03-20 cs.AI cs.IR
Learning to Rank Broad and Narrow Queries in E-Commerce
Myntra（Myntra公司）；Google（谷歌）
搜索是在电子商业平台上发现产品的重要渠道。从搜索中检索到的产品排名对于满足客户需求和优化业务指标至关重要。虽然学习排序（LETOR）模型已被广泛研究，并在网络搜索的背景下，它是一个相对较新的研究领域，在电子商业探索。在本文中，我们提出了一个框架，建立LETOR模型的电子商业平台。我们分析了用户查询，并提出了一种机制，根据用户的意图，广泛和狭窄之间的段查询。我们讨论了不同类型的功能-查询，产品和查询产品，并讨论了使用它们的挑战。我们表明，稀疏的产品特征可以通过去噪自动编码器来解决，而基于跳过语法的词嵌入有助于解决查询产品稀疏性问题。我们还提出了各种目标指标，可用于评估搜索结果，并比较其鲁棒性。此外，我们建立和比较两个逐点和成对的LETOR模型的性能时尚类数据集。我们还针对广义和狭义查询构建和比较不同的模型，分析这些模型的特征重要性，并表明这些专业模型在时尚界的表现优于组合模型。
2019-07-15 cs.CL cs.IR cs.LG
Modeling Product Search Relevance in e-Commerce
Carnegie Mellon University（卡内基梅隆大学）
随着电子商业的快速发展，在线产品搜索已经成为一种流行的和有效的范例，为客户找到所需的产品和从事网上购物。然而，在客户真正希望购买的产品与响应于来自客户的查询而建议的产品的相关性之间仍然存在很大的差距。在本文中，我们提出了一个强大的方法来预测相关性分数给定的搜索查询和产品，使用涉及机器学习，自然语言处理和信息检索技术。我们将传统的信息检索模型（如BM 25和Indri）与深度学习模型（如word2vec、page2vec和paragraph2vec）进行了比较。我们分享一些我们的见解和发现，从我们的实验。
2020-01-14 cs.CL cs.IR cs.LG
Scaling Cross-Domain Content-Based Image Retrieval for E-commerce Snap and Search Application
Clarifai（Clarifai公司）
在ECIR 2022的这个行业演讲中，我们说明了我们如何使用级联方法以及我们的视觉搜索和分类功能的组合来解决大规模跨域基于内容的图像检索的主要挑战。具体来说，我们提出了一个系统，能够处理的数据规模为电子商业的使用和跨域的查询和画廊图像池的性质。我们展示了在现实世界的电子商业快照和搜索用例中应用的方法及其对排名和延迟性能的影响。
2022-04-13 cs.CV cs.IR
Semantic Retrieval for Product Search in E-Commerce
Flipkart, India（印度Flipkart）
针对电商搜索中短、嘈杂、口语化查询和细粒度属性区分问题，提出一种基于Siamese LLM双编码器的两阶段训练方法，通过对比学习和偏好优化实现精确匹配与排序。
2026-05-31 cs.IR cs.LG
Distant-Supervised Slot-Filling for E-Commerce Queries
WalmartLabs（沃尔玛实验室）
槽填充指的是用相应的预期产品特征（产品类型、品牌、性别、尺寸、颜色等）注释查询中的各个术语的任务。然后，这些特征可以由搜索引擎使用，以返回更好地匹配查询的产品意图的结果。用于槽填充的传统方法需要具有地面实况槽注释信息的训练数据的可用性。然而，生成这样的标记数据，特别是在电子商业中，是昂贵且耗时的，因为槽的数量随着新产品的添加而增加。在本文中，我们提出了距离监督的概率生成模型，不需要手动注释。所提出的方法利用现成的历史查询日志和这些查询导致的购买，并利用插槽之间的共现信息，以确定预期的产品特性。我们评估我们的方法，考虑他们如何影响检索性能，以及如何以及他们分类的插槽。在检索方面，我们的方法比Okapi BM 25实现了更好的排名性能（高达156%）。此外，我们的方法，利用同现信息导致更好的性能比一个不检索和插槽分类任务。
2020-12-15 cs.AI cs.IR cs.LG
GenFacet: End-to-End Generative Faceted Search via Multi-Task Preference Alignment in E-Commerce
本文提出GenFacet，一种端到端生成框架，通过多任务偏好对齐提升电商多维搜索效果，实验证明显著提升点击率和转化率。
2026-03-20 cs.IR
