A Tale of Color Variants: Representation and Self-Supervised Learning in Fashion E-Commerce
Data Sciences-Image Sciences, Myntra(Myntra 数据科学-图像科学部)
在本文中,我们解决了时尚电子商业中的一个关键问题(关于客户体验以及收入):颜色变体识别,即,识别与其设计(或风格)完全匹配的时尚产品,但只是颜色不同。我们提出了一个通用的框架,利用深度视觉表示学习的核心,以解决我们的时尚电子商业平台的这个问题。我们的框架可以用手动获得的三元组形式的监督信号进行训练。然而,在捕捉所有困难的角落案例的同时,为时尚电子商业平台(如我们的平台)中通常存在的整个庞大数据集合获得手动注释是不可行的。但是,有趣的是,我们观察到时尚电子商业中的这个关键问题也可以通过简单的基于颜色抖动的图像增强来解决,最近在对比自监督学习(SSL)文献中变得广泛流行,该文献旨在学习视觉表示而不使用手动标签。这自然会在我们的脑海中产生一个问题:我们能否在我们的用例中利用SSL,并且仍然获得与我们的监督框架相当的性能?答案是肯定的!因为,颜色变化的时尚对象只不过是不同颜色的风格的表现,并且被训练为对颜色不变的模型(有或没有监督)应该能够识别这一点!这就是本文在定性和定量方面进一步证明的,同时评估了几种最先进的SSL技术,并提出了一种新的方法。
2021-12-06 cs.AI cs.CV cs.LG
Price-guided user attention in large-scale E-commerce group recommendation
Rakuten Group, Inc.(乐天集团)
本文针对群组推荐中关键用户选择受价格影响的问题,提出以商品价格引导用户聚合的注意力方法,通过自适应sigmoid调整logits,并在命中率和均方误差上优于现有方法。
2024-10-02 cs.IR cs.LG
Color Variants Identification in Fashion e-commerce via Contrastive Self-Supervised Representation Learning
Myntra
在本文中,我们利用深度视觉表示学习来解决时尚电子商业中的一个重要问题:颜色变体识别,即,识别与其设计(或风格)完全匹配的时尚产品,但只是颜色不同。首先,我们试图通过获得手动注释(描述两个产品是否是颜色变体)来解决这个问题,并训练一个基于监督三重丢失的神经网络模型来学习时尚产品的表示。然而,对于大规模的真实世界的工业数据集,如我们的论文中所述,这是不可行的,以获得整个数据集的注释,同时捕捉所有困难的角落的情况。有趣的是,我们观察到颜色变体本质上是基于颜色抖动的增强的表现。因此,我们转而探索自监督学习(SSL)来解决这个问题。我们观察到,现有的国家的最先进的SSL方法执行差,为我们的问题。为了解决这个问题,我们提出了一种新的SSL基于颜色变量模型,同时侧重于不同的服装部分。定量和定性评估表明,我们的方法优于现有的SSL方法,有时,监督模型。
2021-06-30 cs.CV cs.LG
Fashion Outfit Generation for E-commerce
将衣服组合成一套服装是时装零售业的一项主要任务。推荐与特定种子项目兼容的项目集对于向用户提供指导和灵感是有用的,但是目前是需要专业造型师的手动过程,因此不可扩展或不容易个性化。我们使用一个多层神经网络喂养的视觉和文本特征,学习嵌入的项目在一个潜在的风格空间,使兼容的项目不同类型的嵌入彼此接近。我们使用ASOS服装数据集来训练我们的模型,该数据集由专业造型师创建的大量服装组成,我们将其发布给研究社区。我们的模型在离线服装兼容性预测任务中表现出很强的性能。我们使用我们的模型来生成服装,并首次在该领域进行AB测试,将我们生成的服装与匹配适当产品类型但不使用风格信息的基线模型生成的服装进行比较。对于女装和男装,用户对我们模型生成的服装的认可率分别比基准模型生成的服装高出21%和34%。
2019-03-18 cs.CV cs.LG stat.ML
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
Incorporating Customer Reviews in Size and Fit Recommendation systems for Fashion E-Commerce
Flipkart Internet Private Limited(Flipkart互联网私人有限公司)
随着电子商业领域的迅猛发展,产品推荐已经成为电子商业公司越来越感兴趣的领域。产品推荐中最困难的任务之一是尺寸和适合度预测。在电子时尚领域有很多与尺寸相关的退货和退款,这给客户带来了不便,也给公司带来了成本。因此,拥有一个良好的尺码和合身推荐系统,它可以为客户预测正确的尺码,不仅可以减少与尺码相关的退货和退款,还可以改善客户体验。该领域的早期工作使用传统的机器学习方法来根据购买历史估计客户和产品规模。这些方法遭受冷启动问题,由于在客户产品数据的巨大稀疏。最近,人们使用深度学习来解决这个问题,方法是嵌入客户和产品特征。但它们都没有将产品页面上的有价值的客户反馈与客户和产品功能结合起来。我们提出了一种新的方法,它可以使用来自客户评论的信息,以及客户和产品功能的大小和适合的预测。我们证明了我们的方法的有效性相比,只使用产品和客户功能的4个数据集。我们的方法显示,在4个不同的数据集上,F1(宏观)评分比基线提高了1.37% - 4.31%。
2022-08-11 cs.IR cs.LG
Product Review Image Ranking for Fashion E-commerce
Myntra Design Pvt Ltd(Myntra设计私人有限公司)
本文针对时尚电商中顾客评论图像排序问题,提出一种基于失真技术构造训练数据的简单有效排序方法,并在相关系数和准确率上显著优于基线模型。
2023-08-10 cs.CV cs.IR cs.LG
Dynamic Pricing on E-commerce Platform with Deep Reinforcement Learning: A Field Experiment
Alibaba Supply Chain Platform(阿里巴巴供应链平台)
本文提出了一种基于深度强化学习(DRL)的端到端框架,用于解决电子商业平台上的动态定价问题。通过使用四组不同的业务数据来表示每个时间段的状态,我们将动态定价问题建模为马尔可夫决策过程(MDP)。与现有的基于DRL的动态定价算法相比,本文的方法有以下三个方面的贡献。首先,我们将离散集问题推广到连续价格集。其次,我们定义了一个新的函数,称为收入转换率差异(DRCR),而不是直接使用收入作为奖励函数。第三,通过使用一些精心选择的历史销售数据进行预训练和评估来解决MDP的冷启动问题。我们的方法是通过离线评估方法使用阿里巴巴公司的真实数据集进行评估,以及从2018年7月开始的在线实地实验,数千件商品,在天猫上持续数月。据我们所知,以前没有使用DRL的其他DP现场实验。现场实验结果表明,DRCR是比当前文献广泛使用的收入更合适的奖励函数。此外,连续的价格集有更好的性能比离散集和我们的方法显着优于人工定价的运营专家。
2021-08-31 cs.LG stat.ML
Algorithmic Collusion of Pricing and Advertising on E-commerce Platforms
Rutgers Business School(罗杰斯商学院);The Wharton School of the University of Pennsylvania(宾夕法尼亚大学沃顿商学院)
研究多智能体强化学习下卖家同时进行定价与广告的二维决策,发现高搜索成本时算法会协调降低广告出价和价格,实现三方共赢,且平台可通过调整佣金增加利润。
2025-10-31 cs.AI cs.CE cs.GT
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
Product Characterisation towards Personalisation: Learning Attributes from Unstructured Data to Recommend Fashion Products
ISR, IST, Universidade de Lisboa(里斯本大学系统与机器人研究所、高等理工学院)
在本文中,我们描述了一种解决方案,以解决电子商务中的一系列常见挑战,这些挑战来自于新产品不断被添加到目录中的事实。这些挑战涉及适当地个性化客户体验,预测需求和规划产品范围。我们认为,解决所有这些问题的基础是拥有关于每个产品的一致和详细的信息,这些信息很少提供或一致,因为供应商和产品类型众多。我们详细描述了在ASOS,世界上最大的时尚电子商务零售商之一,以解决这个问题的架构和方法。然后,我们将展示如何利用这种定量的产品的理解,以提高建议的混合推荐系统的方法。
2018-03-20 cs.CL cs.CV cs.IR
Sequential LLM Framework for Fashion Recommendation
Washington University in St. Louis(圣路易斯华盛顿大学);Amazon(亚马逊公司);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
提出一种序列时尚推荐框架,利用预训练LLM结合推荐特定提示、参数高效微调和基于混合的检索技术,显著提升了时尚推荐性能。
2024-10-15 cs.AI cs.CL cs.IR
Product Knowledge Graph Embedding for E-commerce
Walmart Labs(沃尔玛实验室)
在本文中,我们提出了一种新的产品知识图谱(PKG)嵌入方法学习的内在产品关系作为产品知识的电子商业。我们定义了关键实体,并总结了关键的产品关系,是至关重要的一般电子商业应用程序,包括营销,广告,搜索排名和推荐。我们首先提供了一个全面的比较PKG和普通的知识图谱(KG),然后说明为什么KG嵌入方法不适合PKG学习。我们构建了一个自我注意增强的分布式表示学习模型,用于以端到端的方式从原始客户活动数据中学习PKG嵌入。我们设计了一个有效的多任务学习模式,充分利用多模态电子商业数据。庞加莱嵌入也被用来处理复杂的实体结构。我们使用来自grocery.walmart.com的真实世界数据集来评估知识完成,搜索排名和推荐的性能。所提出的方法相比,在知识完成和下游任务的基线。
2019-11-28 cs.IR cs.LG stat.ML
PAE: LLM-based Product Attribute Extraction for E-Commerce Fashion Trends
Walmart Global Technology(沃尔玛全球技术部门)
针对电子商务时尚趋势报告中的产品属性提取问题,提出PAE框架,利用多模态信息从PDF中提取属性,并通过BERT匹配目录,平均F1达92.5%。
2024-05-27 cs.AI cs.CV cs.LG
Online Auction Design Using Distribution-Free Uncertainty Quantification with Applications to E-Commerce
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出COAD机制,利用分布无关的不确定性量化与机器学习预测竞拍者价值,基于竞拍者特定置信下界设定保留价,在无需已知分布且参与者不确定的情况下实现激励兼容并最大化收益。
2025-10-13 cs.GT cs.LG stat.ML
Demand Prediction Using Machine Learning Methods and Stacked Generalization
Istanbul Technical University(伊斯坦布尔理工大学)
供给和需求是卖方和客户的两个基本概念。准确预测需求对于组织来说至关重要,以便能够制定计划。在本文中,我们提出了一种新的方法,对电子商务网站的需求预测。所提出的模型在几个方面不同于早期的模型。在电子商务网站中使用的商业模型,该模型是实现的,包括许多卖家在同一时间以不同的价格出售相同的产品,其中公司经营的市场模型。这种模型的需求预测应该考虑竞争卖方出售的相同产品的价格,沿着这些卖方的特征。在这项研究中,我们首先应用不同的回归算法的一个部门的一个公司,是在土耳其最流行的在线电子商务公司之一的特定产品集。然后,我们使用堆叠泛化或堆叠集成学习来预测需求。最后,所有的方法进行评估,从电子商务公司获得的真实世界的数据集。实验结果表明,一些机器学习方法确实产生了几乎与堆叠泛化方法一样好的结果。
2022-11-01 cs.AI cs.LG stat.ML
Buy Me That Look: An Approach for Recommending Similar Fashion Products
Myntra
你有没有看过一个Instagram的模特,或者一个时尚电子商务网页上的模特,然后想到了\textit{"Wish I could get a list of fashion items similar to the ones worn by the model!"}。这就是我们在本文中所解决的问题,我们提出了一种新的基于计算机视觉的技术称为\textbf{ShopLook},以解决具有挑战性的问题,推荐类似的时尚产品。所提出的方法已经在领先的在线时尚电子商务平台Myntra(www.myntra.com)进行了评估。具体地,给定用户查询和针对该查询的对应的产品显示页面(PDP),我们的方法的目标是推荐与PDP全拍摄图像(从头到脚示出整个模型的图像)中的模型所穿戴的整套时尚物品对应的类似时尚产品。我们的方法的新颖性和强度在于它的能力,建议类似的文章,所有的时装项目穿的模型,除了主要的文章对应的查询。这不仅对促进交叉销售以增加收入很重要,而且对改善客户体验和参与度也很重要。此外,我们的方法还能够为用户生成内容(UGC)推荐类似的产品,例如,用户上传的时尚文章图片。形式上,我们提出的方法包括以下组件(以相同的顺序):i)人体关键点检测,ii)姿势分类,iii)物品定位和目标检测,以及主动学习反馈,以及iv)基于三重网络的图像嵌入模型。
2021-04-06 cs.CV cs.LG
Convolutional Neural Networks and Vision Transformers for Fashion MNIST Classification: A Literature Review
ReGIM-Lab. REsearch Groups in Intelligent Machines(ReGIM-Lab 智能机器研究组)
本文综述比较了CNNs与ViTs在Fashion MNIST服装分类中的性能,指出结合两者局部模式识别与全局上下文优势是提升电子商务图像分类的有效策略。
2024-06-05 cs.CV cs.LG
UNICON: A unified framework for behavior-based consumer segmentation in e-commerce
Zalando SE(Zalando SE(扎兰多))
本文提出统一深度学习框架UNICON,利用消费者行为数据学习长期潜在表示,同时支持相似人群扩展与数据驱动细分,并验证其在时尚电商混合推荐中改善消费者体验的有效性。
2023-09-18 cs.IR cs.LG
Exploring Customer Price Preference and Product Profit Role in Recommender Systems
Kempelen Institute of Intelligent Technologies(肯佩伦智能技术研究所);Slovak University of Technology in Bratislava(布拉迪斯拉发斯洛伐克工业大学);Exponea
推荐系统领域的大部分研究都集中在基于历史数据的指标优化上,如平均精确度(MAP)或召回率。然而,研究和行业之间存在差距,因为企业的主要关键绩效指标(KPI)是收入和利润。在本文中,我们探讨的影响操纵利润意识的推荐系统。一般的电子商务企业通常不会使用复杂的推荐算法。我们提出了一个基于评分的推荐系统的预测排名的调整,并探讨利润和客户的价格偏好对两个行业数据集从时尚领域的影响。在实验中,我们展示了提高精度和生成的推荐的利润的能力。这样的结果代表了一个双赢的局面,电子商务增加了利润,客户得到了更多有价值的建议。
2022-03-13 cs.AI cs.IR cs.LG
SnapMode: An Intelligent and Distributed Large-Scale Fashion Image Retrieval Platform Based On Big Data and Deep Generative Adversarial Network Technologies
University of Alzahra(阿尔扎拉大学)
时尚现在是世界上最大的产业之一,因为它代表了人类历史,并有助于讲述世界的故事。随着第四次工业革命的兴起,互联网已经成为越来越重要的时尚信息来源。然而,随着越来越多的网页和社交数据,人类几乎不可能手动跟上该领域的持续发展和不断变化的内容。妥善管理和利用大数据可以为全球经济的大幅增长和公民满意度铺平道路。因此,计算机科学家发现,通过使用大数据和机器学习技术来处理电子商务时尚网站是一项挑战。本文首先提出了一种基于分布式计算平台的可扩展的聚焦式Web爬虫引擎,用于电子商务网站上的时尚数据的提取和处理。然后描述了所提出的平台的作用,通过采用深度卷积生成对抗网络(DCGAN)进行基于内容的图像索引和检索来开发一种解纠缠的特征提取方法。最后,国家的最先进的解决方案进行了比较,所提出的方法的结果进行了分析的标准数据集。为了实现所提出的解决方案,在Apache Storm、Kafka、Solr和Milvus平台上开发了一个基于Web的应用程序,以创建一个名为SnapMode的时尚搜索引擎。
2022-04-08 cs.AI cs.CV cs.DC
Optimizing Search Advertising Strategies: Integrating Reinforcement Learning with Generalized Second-Price Auctions for Enhanced Ad Ranking and Bidding
Columbia University(哥伦比亚大学);University of Michigan(密歇根大学);University of California, Irvine(加利福尼亚大学尔湾分校)
本文针对电商搜索广告排名与竞价机制,结合强化学习与进化策略提出动态模型,有效平衡广告主成本、用户相关性与平台收入,显著提升广告投放准确率与成本效率。
2024-05-29 cs.LG
RouteCost: A Production-Inspired Multi-Stage Framework for Pre-Order Shipping Cost Estimation in E-Commerce
Northeastern University(东北大学)
研究电子商务中预订单运输成本估计问题,提出受生产启发的多阶段框架RouteCost,将其分解为多步骤,通过路线加权期望公式汇总成本估计,在大量订单等数据上提高了预测质量和校准,保留了路线级可解释性。
2026-08-20 cs.AI cs.LG
Studying Product Competition Using Representation Learning
New York University(纽约大学);University of Southern California(南加州大学);Alibaba Group(阿里巴巴集团)
从产品层面而不是品牌层面研究竞争和市场结构,可以为企业提供关于同类产品和产品线优化的见解。然而,分析电子商务平台上数百万种产品的产品级竞争在计算上具有挑战性。我们引入Product2Vec,一种基于表示学习算法Word2Vec的方法来研究产品级竞争,当产品数量很大时。该模型将购物篮作为输入,并为每个产品生成一个低维嵌入,以保留重要的产品信息。为了使产品嵌入对企业战略决策有用,我们利用经济理论和因果推理提出了两个修改Word2Vec。首先,我们创建两个度量,互补性和交换性,使我们能够确定产品对是互补还是替代。其次,我们将这些向量与基于随机效用的选择模型相结合来预测需求。准确估计价格弹性,即,需求如何响应价格的变化,我们修改Word2Vec从产品向量中删除价格的影响。我们表明,与最先进的模型相比,我们的方法更快,可以产生更准确的需求预测和价格弹性。
2020-05-21 cs.LG stat.ML
MRNet-Product2Vec: A Multi-task Recurrent Neural Network for Product Embeddings
Core Machine Learning, Amazon(亚马逊核心机器学习部门)
亚马逊、阿里巴巴、Flipkart和沃尔玛等电子商务网站销售数十亿种产品。涉及产品的机器学习(ML)算法通常用于改善客户体验并增加收入,例如,产品相似性、推荐和价格估计。在训练ML算法之前,需要将产品表示为特征。在本文中,我们提出了一种称为MRNet-Product 2 Vec的方法,用于在电子商务生态系统中创建产品的通用嵌入。我们学习了一个密集和低维的嵌入,其中与产品相关的各种信号被显式地注入到其表示中。我们训练一个判别式多任务双向循环神经网络(RNN),其中输入是通过双向RNN馈送的产品标题,并且在输出处,预测对应于15个不同任务的产品标签。任务集包括产品的几个内在特征,如价格、重量、尺寸、颜色、受欢迎程度和材料。我们评估建议的嵌入定量和定性。我们证明,他们几乎是一样好稀疏和极高维TF-IDF表示,尽管有不到3%的TF-IDF尺寸。我们还使用多模态自动编码器比较来自不同语言地区的产品,并显示初步但有前途的定性结果。
2017-09-21 cs.AI cs.LG stat.ML
Mobile Fitting Room: On-device Virtual Try-on via Diffusion Models
Georgia Tech(佐治亚理工学院)
针对时尚电商虚拟试穿在移动端与隐私上的挑战,本文提出首个设备端扩散模型虚拟试穿系统,通过新颖技术流程与界面设计实现隐私保护与用户定制。
2024-02-02 cs.AI cs.HC cs.LG
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
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
Fashion CUT: Unsupervised domain adaptation for visual pattern classification in clothes using synthetic data and pseudo-labels
Zalando SE(扎兰多股份公司);Insight Centre for Data Analytics(洞察数据分析中心);Dublin City University(都柏林城市大学)
针对服装图像分类中合成数据与真实数据间的域偏移,提出结合生成网络与分类器联合训练,并利用真实伪标签减少偏差,实现无需真实标注的视觉图案分类,性能优于现有无监督域适应方法。
2023-05-09 cs.CV cs.LG
Multi-modal Embedding Fusion-based Recommender
Synerise S.A.(Synerise股份公司);Warsaw University of Technology(华沙理工大学)
推荐系统最近在全球范围内流行,主要用于在线交互系统,主要集中在电子商务平台上。我们已经开发了一个基于机器学习的推荐平台,它可以很容易地应用于几乎任何项目和/或动作域。与现有的推荐系统相反,我们的平台支持多种类型的交互数据和多种元数据形式。这是通过各种数据表示的多模态融合来实现的。我们将该平台部署到多个不同类型的电子商务商店,例如食品和饮料,鞋类,时尚用品,电信运营商。在这里,我们介绍我们的系统,它的灵活性和性能。我们还展示了开放数据集上的基准测试结果,这些结果显着优于最先进的现有工作。
2020-05-14 cs.CV cs.IR cs.LG
Deep Learning based Forecasting: a case study from the online fashion industry
Zalando SE(Zalando公司);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Morgan Stanley(摩根士丹利)
本文针对在线时尚行业需求预测中数据量大、不规则、高周转和固定库存等挑战,提出一种深度学习预测方法,通过控制价格与需求关系处理固定库存假设,并实证验证其有效性。
2023-05-23 cs.AI cs.LG
EPM-RL: Reinforcement Learning for On-Premise Product Mapping in E-Commerce
AI Research, Enhans(AI研究,Enhans)
本文提出EPM-RL框架,通过强化学习提升电商产品映射的准确性和效率,解决传统方法依赖外部API和高成本的问题,实现私有部署和低成本运营。
2026-04-27 cs.AI cs.CL cs.DB
RA-CoA: Training-free Fashion Image Captioning via Retrieval-Augmented Chain-of-Attributes
Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校)
针对时尚图像描述中通用VLM细粒度属性精度不足的问题,提出无训练框架RA-CoA,通过从知识库检索属性集并进行属性级推理,显著提升描述质量,METEOR平均提升26.3%。
2026-09-15 cs.AI cs.CV cs.LG
ProMap: Datasets for Product Mapping in E-commerce
Charles University(查理大学)
本文针对现有电商产品映射数据集信息不完整且难以区分相似非匹配商品的问题,提出了包含图文信息且具有近非匹配和中非匹配类型的ProMapCz和ProMapEn数据集,作为进一步研究的黄金标准。
2023-09-13 cs.CV cs.IR cs.LG