Enriching User Shopping History: Empowering E-commerce with a Hierarchical Recommendation System
Istanbul Technical University（伊斯坦布尔理工大学）；ITU AI Research and Application Center（伊斯坦布尔理工大学AI研究与应用中心）
针对用户跨平台购物导致历史不完整的问题，提出分层推荐系统，先预测缺失历史再推荐，显著提升NDCG@10和HR@10。
2024-03-15 cs.AI cs.IR
Behavioral Feature Boosting via Substitute Relationships for E-commerce Search
Amazon（亚马逊）
通过利用产品间的替代关系，BFS方法有效缓解电子商务新商品的冷启动问题，提升搜索相关性和用户体验。
2026-02-16 cs.IR
Beyond Text: Aligning Vision and Language for Multimodal E-Commerce Retrieval
Target（塔吉特）
研究电子商务领域双塔检索模型的统一文本-图像融合，指出特定领域微调及查询与产品文本和图像模态的两阶段对齐很关键，提出新型模态融合网络并验证其有效性。
2026-07-07 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
Bridging Modality Gaps in e-Commerce Products via Vision-Language Alignment
提出OPAL框架，利用微调多模态大语言模型从商品图像生成符合模式的高质量描述，通过两种数据精炼方法和直接偏好优化弥合模态差距，在真实数据集上优于基线。
2025-08-13 cs.IR
Community Trend Prediction on Heterogeneous Graph in E-commerce
在网上购物中，不断变化的时尚趋势使得商家需要准备更多差异化的产品来满足多元化的需求，而电子商业平台则需要以先知先觉的眼光捕捉市场趋势。对于趋势预测，属性标签作为商品的本质描述，能够真实反映消费者的决策依据。然而，现有的工作很少探讨属性的趋势，在特定的社区电子商业。本文重点研究了社区中项目属性的趋势预测问题，提出了一个统一的框架，该框架结合两种图模式的动态演化来预测特定社区中的属性趋势。具体来说，我们首先在每个时间步设计一个communityattribute二分图来学习不同社区的协作。接下来，我们将二分图转换为超图，以利用一个社区中不同属性标签的关联。最后，我们引入了一个动态演化组件的基础上的递归神经网络来捕捉时尚趋势的属性标签。在一个大型电子商业平台上的三个真实数据集上进行的大量实验表明，该方法优于几种强替代方案，并展示了提前发现社区趋势的能力。
2022-02-24 cs.IR
AliCoCo: Alibaba E-commerce Cognitive Concept Net
Alibaba Group（阿里巴巴集团）；Shanghai Jiao Tong University（上海交通大学）
电子商业平台的最终目标之一是满足客户的各种购物需求。为了实现这一目标，在电子商业中，许多努力都致力于创建分类或本体。然而，电子商业中的用户需求仍然没有很好地定义，并且现有的本体都没有足够的深度和广度来理解普遍的用户需求。两者之间的语义鸿沟阻碍了购物体验变得更加智能。本文提出构建一个名为“AliCoCo”的大规模电子商业认知概念网，并在全球最大的中文电子商业平台阿里巴巴上进行实践。我们在电子商业中正式定义用户需求，然后将其概念化为网络中的节点。我们详细介绍了AliCoCo是如何半自动构建的，以及它在电子商业中的成功、持续和潜在的应用。
2020-03-30 cs.CL cs.IR
Grouping Search Results with Product Graphs in E-commerce Platforms
Walmart Labs（沃尔玛实验室）
向用户显示相关的搜索结果是任何搜索系统的主要挑战。沃尔玛电子商业为客户提供了一个全渠道的搜索平台，可以从数百万种产品中进行搜索。这个搜索平台将文本查询作为输入，并显示目录中的相关项目。主要挑战之一是，这种查询很难理解，因为它在许多情况下包含多个意图。本文提出了一个框架，分组搜索结果到多个排名列表，旨在提供更好的用户意图。该框架是创建一个产品图，具有产品实体之间的关系，并利用它将搜索结果分组为一系列堆栈，其中每个堆栈提供一组基于精确意图的项目。作为示例，对于查询“牛奶”，结果可以被分组为“白牛奶”、“低脂牛奶”、“杏仁牛奶”、“调味牛奶”的多个堆叠。我们通过评估我们的算法如何在搜索质量相关性和用户行为信号（如添加到购物车）方面改善用户体验来衡量我们的算法的影响。
2021-09-20 cs.IR cs.LG
A Survey on E-Commerce Learning to Rank
eBay（易趣）
针对电商平台核心排序算法不公开且缺乏相关广泛综述的问题，本研究综述现有电商排序学习算法，并在大型真实数据集上基于查询相关性进行比较与定量分析，是首个包含此类实验比较的综述。
2024-11-19 cs.AI cs.IR cs.LG
Delving into E-Commerce Product Retrieval with Vision-Language Pre-training
本文提出一种基于对比学习的视觉-语言预训练方法，结合定制负采样方案，用于解决淘宝搜索中的大规模产品检索问题，并已在线部署服务数亿用户。
2023-04-17 cs.IR
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
Information Discovery in e-Commerce
Leiden University（莱顿大学）；University of Science and Technology of China（中国科学技术大学）；Baidu Inc.（百度公司）；University of Amsterdam（阿姆斯特丹大学）
本文综述了电子商务中信息发现的基础设施、算法与技术解决方案，涵盖用户行为、搜索、推荐及语言技术，重点探讨了提升搜索与推荐效果、利用知识图谱及问答机器人连接人与商品的方法。
2025-01-25 cs.CL cs.IR
A Profit-Maximizing Strategy for Advertising on the e-Commerce Platforms
South China University of Technology（华南理工大学）；Guangdong University of Foreign Studies（广东外语外贸大学）；ShenZhen TingZhu Health Management Co.,Ltd.（深圳市汀竹健康管理有限公司）
针对电商广告中无效点击导致成本过高的问题，提出将定向特征选择建模为MCKP的利润最大化策略，并基于天猫真实数据验证其在预算约束下的有效性。
2023-08-21 cs.IR cs.LG math.OC
Cross-Platform E-Commerce Product Categorization and Recategorization: A Multimodal Hierarchical Classification Approach
Nova School of Business and Economics（诺瓦商业与经济学院）；Nova School of Business（诺瓦商业学院）
针对电商产品分类的平台异质性和分类法结构局限，提出多模态层次分类框架，整合文本、视觉及联合特征，研究融合策略并引入自监督重新分类pipeline，在跨平台数据集上验证了准确性与泛化性，且实现工业部署。
2025-11-09 cs.AI cs.IR cs.LG
Detecting Deceptive Dark Patterns in E-commerce Platforms
BRACT’s Vishwakarma Institute of Information Technology（BRACT的维什瓦卡玛信息技术学院）
本研究提出结合网络抓取技术与微调BERT语言模型及生成能力，检测电商平台中操纵用户的欺骗性暗模式（含离群值），旨在提升消费者保护意识。
2024-05-27 cs.AI cs.CL cs.HC
GSID: Generative Semantic Indexing for E-Commerce Product Understanding
Xianyu of Alibaba（阿里巴巴阿里鱼部门）；Taobao&Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团）
针对人工类目与属性难以覆盖长尾商品且不符买家偏好的问题，提出GSID生成式语义索引，通过元数据预训练和面向下游任务的语义编码生成结构化表示，并在真实电商平台验证有效。
2025-09-28 cs.AI cs.IR
Extending CLIP for Category-to-image Retrieval in E-commerce
AIRLab, University of Amsterdam（阿姆斯特丹大学 AIRLab 实验室）；University of Amsterdam（阿姆斯特丹大学）
电子商业提供了丰富的多模式数据，但在实践中几乎没有利用这些数据。这些数据的一个方面是用于搜索和推荐的类别树。然而，在实践中，在用户会话期间，给定类别的文本表示和视觉表示之间经常存在不匹配。基于这个问题，我们提出了一个在电子商业中从类别到图像的检索任务，并提出了一个模型CLIP-ITA。该模型利用来自多个模态（文本、视觉和属性模态）的信息来创建产品表示。我们探讨如何从多个模态（文本，视觉和属性模态）添加信息影响模型的性能。特别是，我们观察到，CLIP-ITA显着优于一个可比的模型，只利用视觉模态和一个可比的模型，利用视觉和属性模态。
2022-01-04 cs.IR cs.LG cs.MM
IU4Rec: Interest Unit-Based Product Organization and Recommendation for E-Commerce Platform
针对闲鱼平台商品库存有限、交互少导致传统推荐效果差的问题，提出两阶段IU4Rec框架，通过聚类商品成兴趣单元并整合其交互数据，提升推荐有效性，实验验证了方法的优越性。
2025-02-11 cs.IR
LLM-based Semantic Search for Conversational Queries in E-commerce
University of Arizona（亚利桑那大学）
本文提出基于大语言模型的语义搜索框架，通过结合领域嵌入与结构化过滤，提升电商会话查询的检索精度与召回率。
2026-01-23 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
SAM-D2Q: Aligning Multimodal Doc2Query with Search Demand and Conversion for E-commerce
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对电商搜索的词汇不匹配问题，提出SAM-D2Q多模态文档扩展框架，经离线实验及速卖通部署验证，可提升检索性能并实现GMV与支付笔数增长。
2026-09-07 cs.IR
Semantic Product Search for Matching Structured Product Catalogs in E-Commerce
在电子商业中，从产品目录中检索所有语义相关的产品是一个重要的问题。与Web文档相比，产品目录更加结构化和稀疏，这是由于对产品的异构方面（例如品牌名称和产品尺寸）进行编码的多实例字段。在本文中，我们提出了一个新的语义产品搜索算法，学习表示和聚合多实例字段到一个文档表示使用最先进的Transformers作为编码器。我们的实验研究了所提出的方法的两个方面：（1）字段表示和结构化匹配的有效性;（2）添加词汇特征的有效性，语义搜索。在使用来自知名电子商业平台的用户点击日志训练我们的模型后，我们表明我们的结果为改进产品搜索提供了有用的见解。最后，我们提出了一个详细的错误分析，以显示哪些类型的查询受益最多的字段表示和结构化匹配。
2020-08-18 cs.IR
Knowledge Distillation based Contextual Relevance Matching for E-commerce Product Search
在线相关性匹配是电子商业产品搜索的一项重要任务，可以提高搜索引擎的实用性，保证用户体验的流畅性。以往的工作采用经典的相关性匹配模型或Transformer风格的模型来解决这个问题，但是它们忽略了电子商业产品搜索日志中普遍存在的固有的二分图结构，并且效率太低，无法在线部署。本文结合transformer风格模型和经典相关匹配模型各自的优点，设计了一个高效的电子商业相关匹配知识知识蒸馏框架。特别是对于框架中的核心学生模型，我们提出了一种新的方法，使用$k$顺序相关建模。在大规模真实世界数据（大小为6 $\sim$ 1.74亿）上的实验结果表明，该方法在人类相关性判断方面显著提高了预测精度。我们将我们的方法部署到匿名在线搜索平台。A/B测试结果表明，我们的方法显着提高了5.7%的价格排序模式下的UV值。
2022-10-04 cs.IR
Personalized Transformer-based Ranking for e-Commerce at Yandex
针对电商召回导向模型的特征不适配排序阶段的问题，提出基于Transformer的双塔模型两阶段训练法及上下文去偏技术，在Yandex上线后提升了推荐排序性能。
2023-10-09 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
Entire Space Learning Framework: Unbias Conversion Rate Prediction in Full Stages of Recommender System
推荐系统是在线服务中必不可少的一部分，特别是对于电子商务平台。RS中的转化率（CVR）预测对于优化电子商务的GMV目标具有重要作用。然而，CVR遭受众所周知的样本选择偏差（SSB）和数据稀疏（DS）的问题。虽然现有的方法ESMM和ESM 2通过对用户行为路径进行建模来对整个空间上的所有印象样本进行训练，但是SSB和DS问题仍然存在。在实际应用中，在线推理空间是来自RS过程前一阶段的样本，而不是现有方法建模的印象空间。而且，现有的方法主要通过构建各自特定场景的行为路径来解决DS问题，忽略了电子商务平台各个场景中的行为。在本文中，我们提出了全空间学习框架：无偏转换率预测在全阶段的推荐系统，解决SSB和DS问题，通过重新制定GMV目标，以一种新的方式。具体来说，我们重建CVR的整个数据空间与样本从RS过程的前一阶段，统一训练和在线推理空间。此外，我们显式地引入购买样本从其他场景的电子商务平台在模型学习过程中。在线A/B测试和离线实验表明了该框架的优越性。我们的框架已经部署在淘宝推荐的排名阶段，每天为数亿消费者提供推荐服务。
2023-03-01 cs.IR
Improving Visual Recommendation on E-commerce Platforms Using Vision-Language Models
Mercari, Inc.（Mercari公司）
本研究通过微调视觉语言模型SigLIP，在Mercari平台上实现了视觉相似商品推荐，离线nDCG@5提升9.1%，在线点击率提升50%，转化率提升14%，验证了VLM编码器的有效性。
2025-10-15 cs.CV cs.IR cs.LG
Auditing the Grid-Based Placement of Private Label Products on E-commerce Search Result Pages
本文审计了印度两大电商平台Amazon.in和Flipkart搜索结果页上自有品牌产品的网格放置位置，发现其推广策略符合用户注意力分布模式，并通过68人调查验证了点击行为偏好。
2024-07-19 cs.CY cs.HC 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
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
Product Question Answering in E-Commerce: A Survey
National University of Singapore（新加坡国立大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；The Chinese University of Hong Kong（香港中文大学）
该综述系统梳理电商产品问答（PQA）研究，按答案形式划分四类问题设置并分析优缺点、介绍相关数据集与评估协议，总结PQA特有挑战及解决方案，同时展望未来研究方向。
2023-05-03 cs.CL cs.IR
Technologies for AI-Driven Fashion Social Networking Service with E-Commerce
Intellisys（Intellisys公司）；Lotte（乐天集团）
线上时尚市场的快速增长带来了对创新时尚服务和商务平台的需求。随着最近深度学习的成功，许多应用程序采用人工智能技术，如视觉搜索和推荐系统，以提供新颖和有益的服务。在本文中，我们描述了AI驱动的时尚社交网络服务，结合时尚电子商业的应用技术。在应用程序中，人们可以分享和浏览他们的日常服装（OOTD）照片，而人工智能则分析它们并建议类似风格的OOTD和相关产品。为此，我们训练了基于深度学习的时尚AI模型，并将它们集成到OOTD中，以构建时尚视觉搜索系统和推荐系统。凭借上述技术，人工智能驱动的时尚SNS平台iTOO已成功推出。
2022-03-11 cs.AI cs.IR cs.MM
Intelligent Online Selling Point Extraction for E-Commerce Recommendation
JD.COM Silicon Valley Research Center（京东硅谷研发中心）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
在过去的十年中，自动生成产品描述的电子商业已经见证了显着的进步。随着电子商业平台提供的服务变得多样化，有必要动态地适应所生成的描述模式。产品卖点是一种重要的产品描述类型，其长度应尽可能短，但仍能传达关键信息。此外，这种产品说明应该吸引读者的眼球。目前，产品卖点通常由人类专家撰写。因此，这些内容的创建和维护产生高成本。如果产品卖点可以由机器自动生成，这些成本可以大大降低。在本文中，我们报告了我们的经验，开发和部署智能在线销售点提取（IOSPE）系统，以服务于推荐系统在JD.com电子商业平台。自2020年7月以来，IOSPE已成为62个关键类别产品的核心服务（覆盖超过400万种产品）。到目前为止，它已经产生了超过1亿个卖点，从而显着扩大了卖点创建操作并节省了人力。与之前的做法相比，这些IOSPE产生的卖点使点击率（CTR）增加了1. 89\%，客户在产品上花费的平均持续时间增加了2. 03\%以上，这对于如此大规模的电子商业平台来说是显著的改进。
2021-12-16 cs.AI cs.CL cs.IR
E-Commerce Promotions Personalization via Online Multiple-Choice Knapsack with Uplift Modeling
促销和折扣是现代电子商业平台的重要组成部分，通常用于激励客户完成购买。促销活动也会影响收入，并可能导致经常受到专用促销预算限制的金钱损失。我们研究的在线约束多选择促销个性化问题，其中的优化目标是为每个客户选择的促销，以最大限度地提高购买完成，同时也符合全球预算的限制。我们的工作形式化的问题作为一个在线多选择背包问题，并通过解决负权重和值的情况下，现有的文献进行了扩展。我们提供了一种实时的自适应方法，保证了预算约束的合规性，并在各种数据集上实现了99.7%以上的最佳促销效果。我们的方法在世界领先的在线旅游平台之一的大规模实验研究中进行了评估。
2021-08-31 cs.AI cs.IR cs.LG
Optimizing Multiple Performance Metrics with Deep GSP Auctions for E-commerce Advertising
Alibaba Group（阿里巴巴集团）；Shanghai Jiao Tong University（上海交通大学）；Peking University（北京大学）；Yahoo Research（雅虎研究院）
在电子商业广告中，广告平台通常依赖于拍卖机制来优化不同的性能指标，例如用户体验、广告商效用和平台收入。然而，大多数现有技术的拍卖机制仅关注于优化单个性能度量，例如，社会福利或收入，并且不适合于具有各种动态的、难以估计的、甚至相互冲突的性能度量的电子商业广告。在本文中，我们提出了一种新的机制，称为深度GSP拍卖，利用深度学习设计新的排名分数函数内著名的GSP拍卖框架。这些新的排序得分函数通过深度神经网络模型在单调分配和平滑过渡的约束下实现。单调分配的要求保证了Deep GSP拍卖具有良好的博弈论性质，而平滑过渡的要求保证了拍卖机制在候选机制之间切换以实现不同的优化目标时，广告主效用不会出现太大的波动。我们在一个领先的电子商业广告平台上部署了所提出的机制，并通过离线模拟和在线A/B测试进行了全面的实验评估。结果表明，与最先进的拍卖机制相比，深度普惠制拍卖是有效的。
2021-01-08 cs.GT cs.IR cs.LG
Diversify and Conquer: Bandits and Diversity for an Enhanced E-commerce Homepage Experience
Myntra Designs Pvt Ltd（Myntra设计私人有限公司）
本文针对移动电商首页异构 widget 的个性化垂直排序问题，提出结合上下文 bandits 与多样性层的两阶段框架，并在 Myntra 离线与在线 A/B 实验中验证其效果。
2023-09-25 cs.IR cs.LG
Intelligent Classification and Personalized Recommendation of E-commerce Products Based on Machine Learning
Santa Clara University（圣克拉拉大学）；Northeastern University（东北大学）；New York University（纽约大学）；Colorado State University（科罗拉多州立大学）；University of Pittsburgh（匹兹堡大学）
本文比较了传统电商分类与个性化推荐机制，提出基于BERT和最近邻算法的eBay电商个性化推荐系统，并通过人工评估验证其有效性，同时给出操作指南以保障可扩展性。
2024-03-28 cs.AI cs.IR
Visual Zero-Shot E-Commerce Product Attribute Value Extraction
eBay Inc.（eBay公司）；Virginia Tech（弗吉尼亚理工大学）
针对电商零样本属性提取需手动录入商品描述的痛点，提出基于CLIP的仅图像输入跨模态框架ViOC-AG，采用纯文本训练结合OCR与提示LLM校正，性能显著优于其他微调视觉语言模型。
2025-02-21 cs.CV cs.IR
Building a Scalable, Effective, and Steerable Search and Ranking Platform
Zalando SE
针对电商现有排序系统个性化不足、多系统体验不一致等问题，提出可复用的近实时transformer分层排序平台，经实验验证在用户体验和净收入上更优，还分享了大规模落地经验。
2024-10-29 cs.IR cs.LG
Marginal Expected Revenue for Jointly Ranking Auction and Fixed-Price Listings in E-Commerce Sponsored Search
eBay（易趣）
该研究提出边际千次展示预期成本（meCPM）框架，将固定价格eCPM扩展至拍卖及ABIN商品，实现多格式列表统一排名，经在线A/B测试验证可提升收益与用户指标并已落地生产。
2026-09-03 cs.IR cs.LG
Alibaba International E-commerce Product Search Competition DcuRAGONs Team Technical Report
School of Computing, Dublin City University, Dublin, Ireland（计算学院，都柏林城市大学，都柏林，爱尔兰）
本技术报告介绍DcuRAGONs团队参与多语言电商搜索竞赛的方案，通过以数据为中心的方法结合大语言模型能力，实现用户查询与商品的相关性识别，取得竞赛最高分并公开代码与排行榜。
2025-10-29 cs.AI cs.IR
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
Recommendation systems in e-commerce applications with machine learning methods
Lodz University of Technology（罗兹理工大学）
本文通过系统性文献综述，分析了2013至2025年间38篇文献，评估了协同过滤、基于内容的过滤及混合模型等机器学习方法在电子商务推荐系统中的有效性、趋势与挑战。
2025-06-15 cs.IR cs.LG
A Real-Time Whole Page Personalization Framework for E-Commerce
Walmart Labs（沃尔玛实验室）
电子商业平台始终致力于提供个性化推荐，以推动用户参与，增强整体用户体验，并改善业务指标。大多数电子商业平台在其主页上包含多个旋转木马，每个旋转木马都试图捕捉购物体验的不同方面。考虑到不同的用户偏好，优化这些转盘的放置对于提高用户满意度至关重要。此外，轮播内的项目可以基于顺序的用户动作动态地改变，因此需要轮播的在线排名。在这项工作中，我们提出了一个可扩展的端到端的生产系统，以最佳的排名项目carousels在实时的【形】沃尔玛在线杂货主页。所提出的系统利用了一种新的模型，捕捉用户的亲和力不同的旋转木马和他们的可能性与以前看不见的项目进行交互。我们的系统是灵活的设计，很容易扩展到设置页面组件需要排名。我们提供了一个模型开发阶段和一个在线推理框架组成的系统架构。为了确保低延迟，在这些阶段实施了各种优化。我们进行了广泛的在线评估，以对照以往的经验。在生产中，我们的系统改善了项目发现，增加了在线参与度，并显着提升了主页上每位访问者的添加到购物车（ATC）。
2020-12-08 cs.IR cs.LG
COINS: SemantiC Ids Enhanced COLd Item RepresentatioN for Click-through Rate Prediction in E-commerce Search
Kuaishou Inc.（快手公司）
COINS通过融合语义ID的协同信息与内容信息，提升冷启动物品的点击率预测精度，实现电商搜索的多样性与推荐效果的双重提升。
2026-01-15 cs.AI cs.IR
Beyond Keywords and Relevance: A Personalized Ad Retrieval Framework in E-Commerce Sponsored Search
在大多数赞助搜索平台上，广告商对其广告（广告）的某些关键字进行出价。给定搜索请求，广告检索模块将查询重写为竞价关键词，并以竞价关键词为关键词通过倒排索引选择TopN广告。以这种方式，当广告商不对相应的关键字出价时，即使查询是相关的，也不会检索到广告。此外，大多数广告检索方法将重写和广告选择视为两个独立的任务，并专注于提高搜索查询和广告之间的相关性。近年来，在电子商业赞助搜索中引入了越来越多的个性化信息，如用户简档、长时间和实时点击等。个性化信息使得广告检索能够采用更多的元素（例如实时点击）作为搜索信号和检索关键字，然而它使得广告检索更难以测量通过不同信号检索的广告。为了解决这些问题，我们提出了一个新的广告检索框架，超越关键字和相关性在电子商业赞助搜索。首先，我们使用历史广告点击数据初始化一个分层网络表示的信号，键和广告，其中个性化信息的介绍。然后，我们训练一个模型的层次网络的顶部，通过学习边的权重。最后，我们根据模型选择最好的边缘，提高RPM/CTR。在我们的电子商业平台上的实验结果表明，我们的广告检索框架取得了良好的性能。
2018-04-23 cs.IR stat.ML
From Semantic Retrieval to Pairwise Ranking: Applying Deep Learning in E-commerce Search
我们将深度学习模型引入到全球最大的电子商业平台之一JD.com的产品搜索中最重要的两个阶段。具体来说，我们概述了一个深度学习系统的设计，该系统可以在几毫秒内检索与查询语义相关的项目，以及一个成对的深度重新排名系统，该系统可以学习微妙的用户偏好。与传统的搜索系统相比，本文提出的方法在语义检索和个性化排序方面有了明显的改进。
2021-03-24 cs.AI cs.IR cs.LG
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
MODRL-TA:A Multi-Objective Deep Reinforcement Learning Framework for Traffic Allocation in E-Commerce Search
针对电商搜索流量分配中多目标平衡与冷启动难题，提出多目标深度强化学习框架MODRL-TA，结合多目标Q学习、决策融合算法与渐进式数据增强，有效提升长期价值并已成功在线部署。
2024-07-22 cs.IR cs.LG
Staging E-Commerce Products for Online Advertising using Retrieval Assisted Image Generation
Snap Inc.（Snap公司）；Amazon（亚马逊）；Yahoo Research（雅虎研究院）
针对动态产品广告图像吸引力低的问题，提出基于检索辅助GAN的复制粘贴布景方法，通过检索相似产品背景并利用图像修复模型生成自然背景，有效提升了广告点击率，并支持生成视频广告。
2023-07-28 cs.CV cs.IR cs.LG
Unified Vision-Language Representation Modeling for E-Commerce Same-Style Products Retrieval
Alibaba Group（阿里巴巴集团）
同类商品检索是电子商业平台中的一个重要环节，其目的是识别出可能具有不同文字描述或图片的同类商品。可用于不同供应商的同类产品检索或同一供应商的重复产品检测。常用的方法以图像为检测对象，但只考虑了图像的视觉特征，忽略了文本描述中包含的属性信息，对于机械、五金工具、电子元器件等图像不太重要的行业，即使增加文本匹配模块，效果也很差。本文提出了一种面向电子商业同类商品检索的统一视觉语言建模方法，该方法旨在用文本描述和视觉内容来表示同一商品。它包含一个抽样技术，收集积极的对用户点击日志与类别和相关性的约束，和一个新的对比损失单位模型的图像，文本，图像+文本表示到一个联合嵌入空间。它能够进行跨模态的产品到产品检索，以及风格转换和用户交互式搜索。离线测试表明它具有更好的检索性能，在线测试表明它可以吸引更多的点击和转换。此外，该模型已经在世界上最大的B2B电子商业平台alibaba.com上在线部署，用于类似产品检索。
2023-02-20 cs.AI cs.IR cs.MM
Mend The Learning Approach, Not the Data: Insights for Ranking E-Commerce Products
Technische Universität München（慕尼黑工业大学）；Mercateo；IBM
搜索质量的提高提高了用户的满意度，这直接影响了电子商业（E-Com）平台的销售增长。传统的学习排序（LTR）算法需要对产品进行相关性判断。在电子商务中，获得这样的判断是一个巨大的挑战。在文献中，它被建议采用用户反馈（如点击，添加到购物篮（AtB）点击和订单），以产生相关性判断。它分两步完成：首先，从日志中聚合查询-产品对数据，然后为日志中的每个对计算订单率等。在本文中，我们提倡反事实风险最小化（CRM）的方法，它绕过了相关性判断，数据聚合的需要，更适合于从记录的数据，即上下文强盗反馈学习。由于公共E-Com LTR数据集不可用，我们从我们的平台提供\textit{Mercateo dataset}。它包含超过1000万个AtB点击日志和100万个订单日志，这些日志来自与3060个查询相关的约350万个产品的目录。据我们所知，这是第一项研究CRM方法在从真实世界的记录数据中学习排名模型的有效性的工作。我们的实证评估表明，我们的CRM方法可以有效地从记录的数据中学习，并以巨大的优势击败了强大的基线排名器（$λ$ -MART）。我们的方法在各种深度神经网络模型上优于全信息损失（例如交叉熵）。研究结果显示，电子商务平台采用客户关系管理的方式，可以获得比全信息方式更好的产品搜寻品质。代码和数据集可以访问：https://github.com/ecom-research/CRM-LTR。
2020-07-09 cs.IR cs.LG
Fine-Grained Session Recommendations in E-commerce using Deep Reinforcement Learning
Myntra Designs Pvt. Ltd.（Myntra设计私人有限公司）
维持用户的兴趣并让他们参与平台对于电子商业业务的成功非常重要。会话包含用户在登录到平台和注销或进行购买之间的不同活动。会话中的用户活动可以分为两组：已知意图和未知意图。已知意图活动属于可以容易地捕获用户浏览/购买特定产品的意图的会话。而在未知意图活动中，用户的意图是未知的。例如，考虑用户进入会话以随意浏览平台上的产品的场景，类似于离线设置中的橱窗购物体验。虽然在前者中推荐相似的产品是必不可少的，但在后者中，为了留住用户，准确理解意图并推荐有趣的产品是必不可少的。在这项工作中，我们主要关注未知的意图设置，我们的目标是在会话中向用户推荐一系列产品，以保持他们的兴趣，保持他们的参与度，并可能促使他们购买。我们在马尔可夫决策过程（MDP）的框架中制定这个问题，MDP是一种流行的顺序决策数学框架，并使用深度强化学习（DRL）技术解决它。然而，由于用户的浏览/购买行为存在很大差异，因此在RL范式中训练下一个产品推荐是困难的。因此，我们将问题分解为预测各种产品属性，其中可以识别并利用模式/趋势来构建准确的模型。我们表明，DRL代理提供了更好的性能相比，贪婪的策略。
2022-10-20 cs.IR cs.LG
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
