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
Hierarchical Multi-field Representations for Two-Stage E-commerce Retrieval
提出CHARM框架,通过分块三角注意力机制将结构化电商数据编码为层次化字段级表示,支持两阶段检索流水线,在准确性和可解释性上超越基线。
2025-01-30 cs.IR
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
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
A Data-Centric Approach to Multilingual E-Commerce Product Search: Case Study on Query-Category and Query-Item Relevance
Beijing Jiaotong University(北京交通大学);Xi’an University of Architecture and Technology(西安建筑科技大学);Harbin University of Science and Technology(哈尔滨理工大学);Cangzhou Jiaotong College(沧州交通学院)
针对多语言电商搜索的数据不平衡与标签噪声问题,提出架构无关的数据中心框架,通过翻译增强、语义负采样和自验证过滤重构训练数据,在CIKM AnalytiCup 2025上显著提升F1分数,证明数据工程可媲美甚至优于复杂模型改进。
2025-10-24 cs.IR
CAT-ID$^2$: Category-Tree Integrated Document Identifier Learning for Generative Retrieval In E-commerce
Beihang University(北京航空航天大学);Chinese Academy of Science(中国科学院)
针对电商生成式检索中忽略类别信息的问题,提出CAT-ID²方法,通过层次类别约束、聚类规模约束和离散度损失三个模块将类别树信息融入文档标识符,使相似文档ID更相似且保持唯一性,在线实验显著提升了模糊和长尾查询的订单量。
2025-11-04 cs.IR
On Recommending Category: A Cascading Approach
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);eBay Inc.(eBay公司)
本文提出了一种级联类别推荐器模型,利用变分自编码器编码物品信息以实现类别级推荐,提升了推荐效果。
2025-12-17 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
Aggregating E-commerce Search Results from Heterogeneous Sources via Hierarchical Reinforcement Learning
Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团);State Grid Zhejiang Electric Power Co., LTD(国网浙江省电力有限公司)
在本文中,我们研究的任务聚合搜索结果从异构来源在电子商业环境。首先,与传统的聚合网络搜索不同,传统的聚合网络搜索仅在第一页中呈现多个来源的结果,这个新的任务可以在所有页面中呈现聚合结果,并且必须动态地决定哪个来源应该呈现在当前页面中。第二,正如许多现有的研究所指出的那样,对来自异质来源的项目进行排名并不是微不足道的,因为来自不同来源系统的相关性分数并不直接可比。为了解决这两个问题,我们在层次结构中将任务分解为两个子任务:一个是源选择的高级任务,我们将用户行为的序列模式建模到不同页面的聚合结果上,以便理解用户意图并正确选择相关的源;和一个低-项目呈现的一级任务,其中我们制定了一个插槽填充过程,以顺序呈现项目,而不是给每个项目一个相关性分数,决定异质项目的呈现顺序。由于这两个子任务可以自然地制定为顺序决策问题,并从未来的用户对搜索结果的反馈中学习,我们建立了分层强化学习模型。大量的实验表明,我们的模型获得了显着的改善,在搜索性能指标,并取得了较高的用户满意度。
2019-02-24 cs.AI cs.CY cs.IR
Click A, Buy B: Rethinking Conversion Attribution in E- Commerce Recommendations
针对电商中“点击 A 购买 B”现象导致转化归因偏差的问题,本文提出多任务框架和分类感知协同过滤加权方案,离线归一化熵降低 13.9%,在线主要业务指标提升 0.25%。
2025-07-20 cs.IR
Semi-supervised Adversarial Learning for Complementary Item Recommendation
Meta;Amazon(亚马逊公司);University of Klagenfurt(克拉根福大学)
补充项目推荐是现代电子商务网站的普遍特征。当这些建议基于合作信号(如共同购买统计数据)时,它们非常有效。然而,在某些在线市场中,例如,在网上拍卖网站上,不断有新的物品被添加到目录中。在这种情况下,由于缺乏交互数据,补充项目推荐通常基于项目边信息。在这项工作中,我们提出了一种新的方法,可以利用项目边信息和标记的互补项目对,以产生有效的互补推荐冷项目,即,对于尚不存在共同购买统计数据的项目。考虑到补充项通常必须属于与种子项不同的类别,我们在技术上为每个项类别保留了一个潜在空间。同时,我们学习项目分布项目表示到这些类别空间,以确定合适的建议。在我们的架构中的主要学习过程利用标记的互补项对。此外,我们采用了循环生成对抗网络(CycleGAN)的思想,即使在给定项目和类别不存在标记数据的情况下,也可以利用可用的项目信息。在三个电子商务数据集上的实验表明,该方法是非常有效的。
2023-03-10 cs.IR cs.LG
TXtract: Taxonomy-Aware Knowledge Extraction for Thousands of Product Categories
Columbia University(哥伦比亚大学)
从产品档案中提取结构化知识对于电子商务中的各种应用至关重要。最先进的知识提取方法都是针对单一类别的产品设计的,因此不适用于现实生活中的电子商务场景,这些场景通常包含数千个不同的类别。本文提出了TXtract,一个分类意识的知识提取模型,适用于成千上万的产品类别组织在一个层次分类。通过类别条件自我注意和多任务学习,我们的方法既具有可扩展性,因为它为数千个类别训练单个模型,又有效,因为它提取了特定于类别的属性值。在4,000个类别的分类产品上进行的实验表明,TXtract在F1中的性能比最先进的方法高出10%,在所有类别中的覆盖率高出15%。
2020-05-01 cs.CL cs.IR cs.LG
Cobweb: An Incremental and Hierarchical Model of Human-Like Category Learning
Georgia Institute of Technology(佐治亚理工学院)
本文通过检验经典类别学习效应及样例式、原型式学习能力,对增量层次模型Cobweb进行更广泛评估,证明其可作为稳健的人类类别学习模型。
2024-05-09 cs.AI cs.IR cs.LG
Generative Sequential Recommendation via Hierarchical Behavior Modeling
Tsinghua University(清华大学)
针对多行为序列推荐中序列建模不足及缺乏合适数据集的问题,提出基于仅解码器的生成式框架GAMER,通过跨层级交互层与序列增强策略捕捉行为层次依赖,并发布大规模短视频多行为数据集ShortVideoAD,实验证明其在多指标上优于现有基线。
2025-11-05 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
Modeling Users' Behavior Sequences with Hierarchical Explainable Network for Cross-domain Fraud Detection
Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS(中国科学院智能信息处理重点实验室,中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Alipay (Hangzhou) Information & Technology Co., Ltd.(支付宝(杭州)信息技术有限公司)
随着电子商务行业的爆炸式增长,检测真实世界应用中的在线交易欺诈对电子商务平台的发展变得越来越重要。用户的连续行为历史记录提供了区分欺诈性支付和常规支付的有用信息。最近,已经提出了一些方法来解决这个基于序列的欺诈检测问题。然而,这些方法通常遭受两个问题:预测结果难以解释和行为的内部信息的开发不足。针对这两个问题,本文提出了一种分层可解释网络(Hierarchical Explainable Network,HEN)模型来描述用户的行为序列,不仅可以提高欺诈检测的性能,而且可以使推理过程具有可解释性。同时,随着电子商务业务扩展到新的领域,例如,新的国家或新市场,在欺诈检测系统中建模用户行为的一个主要问题是数据汇集的限制,例如,数据/标签很少。因此,在本文中,我们进一步提出了一个转移框架来解决跨域欺诈检测问题,其目的是从现有领域(源域)转移知识,并提供足够和成熟的数据,以提高新领域(目标域)的性能。我们所提出的方法是一个通用的传输框架,不仅可以应用于HEN,而且还可以应用于嵌入和MLP范式中的各种现有模型。基于90个转移任务的实验,我们还证明了我们的转移框架不仅可以有助于跨域欺诈检测任务与HEN,但也是通用的和可扩展的各种现有的模型。
2022-01-04 cs.AI cs.IR cs.LG
Hierarchical Topic Mining via Joint Spherical Tree and Text Embedding
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Georgia Institute of Technology(佐治亚理工学院)
挖掘一组有意义的主题组织成一个层次结构是直观的吸引力,因为主题相关性是无处不在的海量文本语料库。为了考虑潜在的层次主题结构,层次主题模型通过将潜在的主题层次结构纳入其生成建模过程来概括平面主题模型。然而,由于其纯粹的无监督性质,学习的主题层次结构往往偏离用户的特定需求或兴趣。为了在最少用户监督的情况下指导分层主题发现过程,我们提出了一个新任务分层主题挖掘,该任务采用仅由类别名称描述的类别树,旨在从文本语料库中挖掘每个类别的一组代表性术语,以帮助用户理解他/她感兴趣的主题。我们开发了一种新型的联合树和文本嵌入方法以及一个有原则的优化过程,该过程允许在球形空间中同时对类别树结构和语料库生成过程进行建模,以有效地发现类别代表术语。我们的综合实验表明,我们的模型,命名为JoSH,挖掘一个高质量的层次主题集,效率高,有利于弱监督层次文本分类任务。
2020-07-18 cs.CL cs.IR cs.LG
A Novel C2C E-Commerce Recommender System Based on Link Prediction: Applying Social Network Analysis
社会网络分析在几十年前就已经成为社会学的一个重要研究课题,它也吸引了来自心理学、人类学、地理学和经济学等各个领域的科学家。近年来,利用社会网络分析来设计电子商业推荐系统的研究已经取得了显著的成果。目前大多数推荐系统都是针对B2C电子商业网站设计的。针对C2C电子商业网站的特点,提出了一种C2C电子商业商业模式推荐算法。本文将用户及其交易视为一个网络,通过这种映射,可以利用社会网络分析中的一项重要任务--链接预测技术来构建推荐系统。建议的两级推荐算法,而不是网络的拓扑结构,使用节点的功能,如:类别的项目,用户的评级,和卖家的声誉。结果表明,该模型可以用来预测一个C2C商业网络中的用户之间的未来交易的一部分。
2014-07-31 cs.IR cs.SI
Why These Documents? Explainable Generative Retrieval with Hierarchical Category Paths
Yonsei University(延世大学);Korea University(高丽大学)
HyPE通过生成层次类别路径提升生成检索的可解释性,通过外部高质量语义层级构建路径并优化模型,提高检索性能和解释性。
2026-04-12 cs.IR
Aspect category learning and sentimental analysis using weakly supervised learning
电子商务评论的激增对手动注释大量评论以理解其潜在方面和情感提出了挑战。本研究的重点是利用弱监督学习来解决方面类别学习和评论的情感分类。我们的方法涉及到方面和情绪的标签的生成,采用WSL的Snorkel框架,其中包括方面的条款,审查情绪评分,并审查评级作为弱信号的来源。这种创新策略大大减少了处理如此广泛的数据集所需的繁重标记工作。在这项研究中,我们部署了混合模型,即BiLSTM,CNN-BiLSTM和CNN-LSTM,它们利用多个输入,包括评论文本,方面术语和评级。我们提出的模型采用了两个不同的损失函数:多标签分类的Sigmoid激活的二进制交叉熵,使我们能够学习质量,可用性,服务,大小和价格等方面的标签,以及多类分类的Softmax激活的分类交叉熵。随后,我们仔细评估了这三个实现模型的性能指标,包括宏F1得分和宏精度。CNN和Bi-LSTM模型在方面和情感识别上分别获得了0.78和0.79的F1分数。这项研究的成果有望为电子商务平台做出重大贡献,为标记和分析大量用户评论提供一种高效和自动化的方法。
2023-12-24 cs.IR
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
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
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
FAN: Fatigue-Aware Network for Click-Through Rate Prediction in E-commerce Recommendation
Alibaba Group(阿里巴巴集团)
本文提出 FAN 模型,通过 Fourier Transformation 处理未点击时间序列获取疲劳频谱,并结合类别调制、gating network 和辅助任务学习疲劳表示,显著提升了电商推荐中的 CTR 预测效果。
2023-04-10 cs.HC cs.IR cs.LG
Hierarchical Multi-Task Learning Framework for Session-based Recommendations
Georgia Institute of Technology(佐治亚理工学院);The Home Depot(家得宝)
本文提出HierSRec,首次将分层多任务学习架构引入基于会话的推荐系统,通过元数据感知Transformer结合下一类别预测辅助任务来优化下一项目预测主任务,提升了推荐准确率和推理可扩展性。
2023-09-12 cs.AI cs.IR cs.LG
Deep Hierarchical Reinforcement Learning Based Recommendations via Multi-goals Abstraction
Peking University(北京大学)
推荐系统是智能应用的一种重要形式,它帮助用户减少信息冗余。在评价一个推荐系统的指标中,转化率指标变得越来越重要。现有的大多数推荐系统由于其极其稀疏的反馈信号而在转换度量上表现不佳。为了应对这一挑战,我们提出了一个基于深度层次强化学习的推荐框架,该框架由两个组件组成,即,高级代理和低级代理。高层智能体捕捉长期稀疏的转换信号,自动为底层智能体设定抽象目标,底层智能体遵循抽象目标与实时环境交互。针对分层强化学习存在的问题,提出了一种基于多目标抽象的深度分层强化学习算法(HRL-MG).该算法具有三个特点:1)高层智能体在不同阶段产生多个目标来指导底层智能体,降低了接近高层目标的难度; 2)不同目标共享相同的状态编码器参数,增加了高层智能体的更新频率,从而加快了算法的收敛速度; 3)设计了一个增值收益分配函数,对每个目标进行奖励分配,使不同目标协调一致。我们评估我们提出的算法的基础上,现实世界的电子商务数据集,并验证其有效性。
2019-03-22 cs.AI cs.IR cs.LG
Personalized Category Frequency prediction for Buy It Again recommendations
Target Corporation(塔吉特公司)
提出分层PCIC模型,通过结合生存模型、时间序列模型与神经网络,在类别和商品粒度上预测用户的重复购买行为,在多个数据集和实际AB测试中显著提升了推荐效果。
2023-07-24 cs.AI cs.IR cs.LG
Deep Interest with Hierarchical Attention Network for Click-Through Rate Prediction
Alibaba Group(阿里巴巴集团)
深度兴趣网络(DIN)是一种使用注意力机制从历史行为中捕获用户兴趣的最新模型。用户兴趣直观地遵循分层模式,使得用户通常从较高级别然后到较低级别抽象示出兴趣。在注意力网络中对这种兴趣层次进行建模可以从根本上提高用户行为的表示。因此,我们提出了一种改进的DIN模型任意的兴趣层次:层次注意力网络(DHAN)的深度兴趣。在该模型中,第一个关注层上引入多维层次结构,关注单个项目,同一维度下的后续关注层关注在较低层之上的更高层次。为了支持多维层次结构的建模,引入了一种扩展机制来捕获一个到多个层次结构。为了验证该模型的有效性,将简化的DHAN应用于点击率(CTR)预测,并在三个公共数据集上进行了实验,实验结果表明,DHAN模型能够有效地捕捉用户在不同维度(如类别、价格或品牌)上的兴趣。与DIN相比,DHAN的AUC从12%显著提高到21%,显示出其优越性。DHAN还与另一种最先进的模型深度兴趣进化网络(DIEN)进行了比较,该模型对时间兴趣进行了建模。简化的DHAN的AUC也比DIEN略有提高,从1.0%提高到1.7%。一个潜在的未来的工作可以结合DHAN和DIEN模型的时间和层次的利益。
2020-05-22 cs.AI cs.IR cs.LG
Distilling Lexical Product Associations into Deep Transformers: An Extreme Multi-Label Approach for Natural Language E-Commerce Search
International Institute of Information Technology Bangalore(班加罗尔国际信息技术学院)
针对电子商务搜索中词汇不匹配问题,提出将词汇产品关联蒸馏到 DistilBERT 的极端多标签方法,在 54,000 产品上实现高精度,优于词汇模型并支持工业规模部署。
2026-09-24 cs.IR