Pfeed: Generating near real-time personalized feeds using precomputed embedding similarities
Bol（博尔公司）；Eindhoven University of Technology（埃因霍温理工大学）；Last Mile Solutions（最后一英里解决方案公司）；Radboud University Nijmegen（奈梅亨拉德堡德大学）
针对个性化推荐中用户嵌入兴趣多样性不足、实时更新成本高的问题，提出Pfeed方法，利用预计算嵌入相似度每两分钟动态更新用户画像并生成信息流，在Bol平台部署后实现4.9%的转化率提升。
2024-03-06 cs.AI cs.IR cs.LG
Mitigating Filter Bubbles within Deep Recommender Systems
Georgia Institute of Technology（佐治亚理工学院）
推荐系统为用户提供个性化建议，为当今许多社交媒体、电子商务和娱乐提供动力。然而，这些系统已经被认为在智力上将用户与各种观点隔离，或者导致过滤气泡。在我们的工作中，我们表征和减轻这种过滤气泡效应。我们这样做的基础上，他们的用户-项目的交互历史和计算的分类类别对彼此的影响，使用众所周知的TracIn方法分类的各种数据点。最后，我们通过仔细地重新训练我们的推荐系统，在不影响准确性的情况下减轻了这种过滤气泡效应。
2022-09-16 cs.IR cs.LG
Large-scale Real-time Personalized Similar Product Recommendations
iLambda；University of North Texas（北德克萨斯大学）；Kent State University（肯特州立大学）
同类商品推荐是电商中最常见的场景之一。许多推荐算法，如项目到项目的协同过滤正在努力衡量项目的相似性。在本文中，我们介绍了我们的实时的【形】个性化算法模型的产品相似性和实时的【形】用户的兴趣。我们还介绍了其他几种基线算法，包括基于图像相似性的方法，项目到项目的协同过滤，和item2vec，并在我们的大规模真实世界的电子商务数据集上进行比较。本文提出的算法在离线情况下取得了较好的效果，并在在线电子商务网站上进行了测试。我们的个性化方法在现实世界的电子商务场景中实现了10%的添加购物车数量的改善。
2020-04-12 cs.IR cs.LG
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
Deep Item-based Collaborative Filtering for Sparse Implicit Feedback
推荐系统在电子商务领域中无处不在，用于改善用户体验和销售库存，从而增加网站的收入。诸如基于项目的协同过滤之类的技术用于对用户与项目的行为交互进行建模，并从具有相似行为模式的项目中进行推荐。然而，当将这些技术应用于极其稀疏和易变的数据集时，存在挑战。在一些电子商务网站上，如eBay，不稳定的库存和关于物品的最小结构化信息使得聚合用户与物品的交互非常困难。在这项工作中，我们描述了一种新的基于深度学习的方法来解决这些挑战。我们提出了一个目标函数，优化两个项目之间的二进制隐式反馈向量之间的相似性度量。我们正式地和经验地证明，经过训练以优化该函数的模型估计反馈向量之间的余弦相似性的对数。我们还提出了一个神经网络架构优化这一目标。我们提出的实验结果比较的输出的神经网络与传统的基于项目的协同过滤模型的隐式反馈数据集，以及实验结果比较不同的神经网络架构上的用户购买行为在eBay上。最后，我们讨论了A/B测试的结果表明，所提出的技术在eBay的现有的协同过滤推荐系统的显着改善。
2018-12-26 cs.IR
Dynamic Product Image Generation and Recommendation at Scale for Personalized E-commerce
本文将基于潜在扩散的图像生成与上下文bandit相结合，大规模创建个性化商品图像，从而有效提升了电子商务在线重定向推广活动中推荐的用户参与度。
2024-08-22 cs.IR
Review Based Rating Prediction
Ben-Gurion University（本·古里安大学）
推荐系统是当今电子商务应用中的重要单元，如定向广告、个性化营销和信息检索等。近年来，上下文信息的重要性激发了根据用户的可用上下文信息生成个性化推荐。与传统的主要利用用户评分历史的推荐系统相比，基于评论的推荐系统有望为用户提供更相关的推荐结果。我们介绍了一种基于评论的推荐方法，通过挖掘用户评论来获得上下文信息。所提出的方法涉及通过使用在自然语言处理（NLP）和信息检索学科中开发的方法来分析文本评论以计算给定项目的效用函数而获得的特征。项目效用是一种衡量标准，它显示了根据用户当前上下文，它有多受欢迎。在我们的系统中，上下文推理建模为用户评论历史和项目评论历史之间的相似性。作为一个示例应用，我们使用我们的方法从客户的电影评论中挖掘上下文数据，并使用它来生成基于评论的评级预测。预测的评级可以生成基于项目的建议，并且应该出现在产品页面中的推荐项目列表中。我们的评估表明，与标准预测方法相比，我们的系统可以帮助产生更好的预测评分。
2016-07-28 cs.IR cs.LG
Attention Weighted Mixture of Experts with Contrastive Learning for Personalized Ranking in E-commerce
针对电商排序中特征交互个性化建模不足、长尾用户排序效果差的问题，提出结合对比学习的注意力加权混合专家模型，通过MoE捕捉个性化交互、对比损失提升长尾泛化，性能优于SOTA且已落地京东搜索。
2023-06-08 cs.IR cs.LG
Personalized Recommendation Systems using Multimodal, Autonomous, Multi Agent Systems
Veermata Jijabai Technological Institute（维玛塔·吉贾巴伊技术学院）
本文提出面向电子商务的三智能体多模态个性化推荐框架，结合 Gemini-1.5-pro、LLaMA-70B、Symphony 与 Groq API，实现图像追问、自主搜索、实时获取和低延迟推荐。
2024-10-22 cs.AI cs.IR cs.LG
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
Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network
预测未来消费者行为是大型零售企业面临的最具挑战性的问题之一。对消费者购买模式的准确预测可以更好地进行库存规划和有效的个性化营销策略。最佳的库存规划有助于最大限度地减少缺货/库存过剩的情况，智能个性化的营销策略确保顺利和愉快的购物体验。消费者购买预测问题通常由ML研究人员以传统方式解决，无论是通过推荐系统还是传统的ML方法。这种建模方法在预测消费者购买模式方面并不能很好地推广。在本文中，我们提出了我们的消费者购买行为的研究，其中，我们建立了一个数据驱动的框架来预测消费者是否会购买一个项目在一定的时间范围内使用电子商务零售数据。为了对这种关系进行建模，我们为所有相关的消费者-商品组合创建了一个连续的时间序列数据。然后，我们通过在消费者、物品和时间的交叉点生成特征来构建广义非线性模型。我们通过实验不同的神经网络架构，ML模型及其组合来展示强大的性能。我们提出了60个不同超参数的建模实验的结果，以及Stacked Generalization合奏和F1-Maximization框架。然后，我们展示了多层感知器、长短期记忆（LSTM）、时间卷积网络（TCN）和TCN-LSTM等神经网络架构相对于Xgboost和RandomForest等ML模型带来的好处。
2020-10-14 cs.IR cs.LG
Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce
eBay Research（eBay研究院）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
在电子商业中，观察列表使用户能够随着时间的推移跟踪物品，并已成为一项主要功能，在用户的购物旅程中发挥着重要作用。监视列表项通常具有其值可随时间改变的多个属性（例如，价格，数量）。由于许多用户在他们的监视列表上积累了数十个项目，并且由于购物意图随着时间的推移而变化，因此在给定的上下文中推荐监视列表中的顶级项目可能是有价值的。在这项工作中，我们研究了在电子商业的监视列表功能，并介绍了一种新的监视列表推荐任务。我们的目标是通过预测用户将点击的下一个项目来优先考虑用户接下来应该关注的监视列表项目。我们铸造这个任务作为一个专门的顺序推荐任务，并讨论其特点。我们提出的推荐模型，trans 2D，是建立在Transformer架构的顶部，在那里我们进一步提出了一种新的扩展注意力机制（Attention 2D），允许学习复杂的项目-项目，属性-属性和项目-属性模式，从序列数据与多个项目属性。使用eBay的大规模观察列表数据集，我们评估了我们提出的模型，与多个最先进的基线相比，我们证明了它的优越性，其中许多基线都适用于这项任务。
2021-10-24 cs.IR cs.LG
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 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
Real-time and personalized product recommendations for large e-commerce platforms
University of Pisa - Department of Computer Science H\&M - AI, Analytics \& Data
本文提出一种基于图神经网络和简约学习的方法，为大型电商平台提供实时、准确且可扩展的个性化商品推荐，在真实约束下有效预测购买序列并处理多交互场景。
2025-06-26 cs.AI cs.IR
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
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
TRACE: Transformer-based user Representations from Attributed Clickstream Event sequences
Expedia Group（亿客行集团）
提出TRACE模型，利用Transformer从多会话点击流生成用户嵌入，通过多任务学习捕获长期偏好，在旅游电商数据集上表现优于传统架构。
2024-09-02 cs.AI cs.IR cs.LG
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
Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling
The Chinese University of Hong Kong（香港中文大学）；Alibaba Group（阿里巴巴集团）
近年来，电子商业平台上的产品问答（PQA）因其能够充当智能在线购物助手并改善客户购物体验而引起越来越多的关注。研究了其关键功能--产品相关问题答案自动生成，旨在生成内容保持的问题相关答案。然而，PQA的一个重要特征，即，个性化，被现有的方法所忽视。向所有客户提供相同的“完全概括的”答案是不够的，因为许多客户更愿意通过考虑他们自己对产品方面或信息需求的偏好来看到仅针对他们自己的定制信息的个性化答案。为了解决这一挑战，我们提出了一种新的个性化答案生成方法（PAGE）与多角度的偏好建模，探索历史用户生成的内容来建模用户的偏好生成个性化的答案在PQA。具体来说，我们首先检索与问题相关的用户历史作为外部知识来建模知识级用户偏好。然后，我们利用高斯Softmax分布模型来捕获潜在的方面级用户偏好。最后，我们开发了一个人物感知指针网络，通过利用个人用户偏好和动态用户词汇来生成个性化的答案。在真实电子商业问答数据集上的实验结果表明，该方法生成的答案信息量大、个性化程度高，性能优于现有方法，并表明电子商业中的答案生成可以受益于个性化。
2021-12-27 cs.CL cs.IR
Leveraging Large Language Models to Enhance Personalized Recommendations in E-commerce
本研究提出了一种基于LLM的电子商务个性化推荐系统框架，通过对用户评论和产品描述进行深度语义理解并结合上下文数据动态推荐，显著提升了推荐准确率、召回率、点击率及多样性，改善了用户体验并促进销售增长。
2024-10-02 cs.IR
An Integrated Framework to Recommend Personalized Retention Actions to Control B2C E-Commerce Customer Churn
考虑到企业对消费者（B2C）电子商业领域的竞争水平和吸引新客户所需的巨额投资，企业现在更加关注降低客户流失率。客户流失率是指在特定时间段内离开公司的客户的比率。保留现有客户的最佳机制之一是识别任何潜在的客户流失并快速响应以防止它。检测潜在客户流失的早期迹象，识别客户在寻找什么样的运动和自动化个性化的赢回活动对于在这个竞争时代维持业务至关重要。电子商业公司通常拥有大量的数据，有关他们现有的客户，如交易历史，搜索历史，购买周期等数据采掘技术可以应用于分析客户行为和预测潜在的客户流失，以便特殊的营销策略，可以采取保留他们。本文提出了一个集成模型，可以预测客户流失，也推荐个性化的赢回行动。
2021-12-17 cs.CY 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
Cluster Language Model for Improved E-Commerce Retrieval and Ranking: Leveraging Query Similarity and Fine-Tuning for Personalized Results
本文提出利用K-Means对查询聚类并在各簇上微调聚类语言模型，以较低训练成本改进电商检索准确性，实现优于双编码器模型的个性化检索结果。
2023-09-25 cs.IR
Chaining text-to-image and large language model: A novel approach for generating personalized e-commerce banners
Walmart, Inc.（沃尔玛公司）
针对电商人工制作横幅效率低、扩展性差的问题，提出串联LLM与文本生成图像模型的方法，可自动从商品元信息提取属性生成提示词，无需人工干预即可生成高质量个性化电商横幅。
2024-02-28 cs.AI cs.CV cs.HC
Metric@CustomerN: Evaluating Metrics at a Customer Level in E-Commerce
本文针对推荐系统传统固定Top-N评估指标的局限，提出以用户历史会话浏览的中位数曝光量作为个性化N值，并展示了初步探索结果及未来改进方向。
2023-07-31 cs.IR
Expanding Click and Buy rates: Exploration of evaluation metrics that measure the impact of personalized recommendation engines on e-commerce platforms
为了确定最适合电子商业业务的推荐模型，应该对购物网站进行实时评估，以实时测量个性化的影响。本文的目的是介绍和证明两个新的指标-点击率NoRepeat和点击购买率-这源于标准的指标，点击率（CTR）和购买率（BTR），分别。前一种变体解决了原始CTR中高估点击量的问题，而后者则说明了之前点击过的产品的购买情况，以验证度量中包含的购买是客户交互的结果。对多个数据集进行两个均值独立性的显著性检验，在每个新度量和其各自的父度量之间，以确定变体的新颖性和必要性。皮尔逊相关系数的计算，以评估线性关系的强度，并得出结论的可预测性因素之间的上述因素，以调查客户点击和购买之间的未知连接。此外，其他指标，如点击每客户，每客户的买家，每客户的点击等介绍，帮助解释客户行为的指标在电子商业网站的参考。
2019-01-20 cs.IR
Sell It Before You Make It: Revolutionizing E-Commerce with Personalized AI-Generated Items
Antai College of Economics and Management（经济管理学院）；Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
本文提出PerFusion框架，通过个性化AI生成物品提升电子商务的点击率和转化率，同时降低退货率。
2025-12-19 cs.AI cs.CV cs.IR
Hi-Gen: Generative Retrieval For Large-Scale Personalized E-commerce Search
Hi-Gen针对大规模个性化电商搜索提出层次化编码-解码生成式检索方法，通过度量学习、类别引导聚类和位置感知损失改进docID生成，并在Recall@1上超越SOTA。
2024-09-06 cs.IR
Taxonomy-based Negative Sampling In Personalized Semantic Search for E-commerce
提出一种融合用户历史行为的电商语义检索模型，采用基于分类法的困难负样本采样（TB-HNS）策略，在离线与在线实验中均显著超越基线模型，并降低了训练开销、加速了收敛。
2025-11-01 cs.IR
Personalized Ranking in eCommerce Search
eBay Inc.（eBay公司）
我们在电子商务搜索的背景下解决个性化的问题。具体来说，我们开发个性化排名功能，使用会话上下文来增强针对转换和相关性进行优化的通用排名器。我们使用了从历史会话中的项目共同点击和基于内容的功能，使用项目标题和价格的潜在功能的组合。搜索中的个性化在现有文献中已经被广泛讨论。我们的工作的新颖性是结合和比较基于内容和内容不可知的功能，并表明它们相互补充，导致显着改善的排名。此外，我们的技术不需要一个明确的重新排名的步骤，不依赖于学习用户简档从长期的搜索行为，并不涉及复杂的建模查询项用户功能。我们的方法捕获项目共同点击倾向使用轻量级项目嵌入。我们的实验表明，我们的技术显着优于一个通用的排名平均倒数排名（MRR）。我们还提供了轶事证据的语义相似性捕获的项目嵌入在eBay搜索引擎。
2019-04-30 cs.CL cs.IR cs.LG
Conversational Recommender System
一个个性化的会话式销售代理可能有很大的商业潜力。电子商务公司，如亚马逊，eBay，京东，阿里巴巴等正在与他们的用户试点这种代理。然而，目前对该问题的研究还很有限，现有的解决方案要么是基于单轮自组织搜索引擎，要么是传统的多轮对话系统。它们通常只利用当前会话中的用户输入，而忽略用户的长期偏好。另一方面，众所周知，销售转化率可以基于推荐系统大大提高，推荐系统基于过去的购买行为学习用户偏好，并优化面向业务的指标，如转化率或预期收入。在这项工作中，我们建议将对话系统和推荐系统的研究整合到一个新的和统一的深度强化学习框架中，以构建一个个性化的会话推荐代理，该代理优化了基于每个会话的效用函数。
2018-06-08 cs.IR
A Zero Attention Model for Personalized Product Search
产品搜索是人们在电子商务网站上发现和购买产品的最流行的方法之一。由于个人偏好往往对每个客户的购买决策有着重要的影响，因此直观地说，个性化应该对产品搜索引擎有益。虽然从以前的研究合成实验表明，购买历史是有用的，用于确定每个产品搜索会话的个人意图，个性化的产品搜索在实践中的效果，然而，仍然是未知的。在本文中，我们制定的个性化产品搜索的问题，并进行大规模的实验，从商业电子商务搜索引擎的搜索日志采样。从我们的初步分析结果表明，个性化的潜力取决于查询的特点，查询之间的相互作用，和用户的购买历史。基于这些观察，我们提出了一个零注意力模型的产品搜索，自动确定何时以及如何个性化的用户查询对通过一种新的注意力机制。商业产品搜索日志的实证结果表明，该模型不仅显着优于国家的最先进的个性化产品检索模型，但也提供了重要的信息，个性化的潜力，在每个产品搜索会话。
2019-08-29 cs.IR
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
Style4Rec: Enhancing Transformer-based E-commerce Recommendation Systems with Style and Shopping Cart Information
National Taiwan University（台湾大学）
针对现有基于Transformer的电商序列推荐未有效利用商品风格与购物车数据的问题，提出Style4Rec系统，利用两类信息优化推荐，在合作企业数据集上多项指标显著优于基准，推动了个性化电商推荐发展。
2025-01-16 cs.AI cs.IR
Page-level Optimization of e-Commerce Item Recommendations
eBay Inc.（eBay公司）
商品详细信息页面（IDP）是电子商业网站上的一个网页，提供有关特定产品或商品列表的信息。在此页面上的项目详细信息下方，买家通常可以找到其他相关项目的建议。这些通常以一系列模块或旋转木马的形式出现，每个模块包含一组推荐项目。这些项目推荐模块的选择和排序旨在提高相关项目的可扩展性并鼓励更大的用户参与，同时展示库存的多样性并满足其他业务目标。IDP上的项目推荐模块通常是为所有客户策划和静态配置的，忽略了个性化的机会。在本文中，我们提出了一个可扩展的端到端的生产系统，以优化个性化的选择和订购的项目推荐模块的IDP实时利用深度神经网络。通过广泛的离线实验和在线A/B测试，我们表明，我们提出的系统实现了显着更高的点击率和转换率相比，其他现有的方法。在我们的在线A/B测试中，我们的框架比静态配置提高了2.48%的点击率和7.34%的购买率。
2021-08-12 cs.IR cs.LG
Learning Personalized Risk Preferences for Recommendation
电子商务的快速发展使人们习惯于网上购物。在电子商务网站上进行购买之前，大多数消费者倾向于依赖评分和评论信息来做出购买决策。通过这些信息，他们可以推断产品的质量，以降低购买风险。具体而言，具有高评分和好评的项目往往风险较小，而具有低评分和差评的项目可能具有购买风险。另一方面，消费者的风险承受能力也会影响其购买行为，即风险态度。几十年来，经济学家一直在研究风险态度。这些研究表明，人们在决策时并不总是足够理性的，他们的风险态度可能会在不同的情况下有所不同。现有的推荐系统在建模时没有考虑用户的风险态度，这可能会导致推荐给用户的不恰当。例如，向风险厌恶者建议风险项目或向风险寻求者建议保守项目可能导致用户体验的降低。在本文中，我们提出了一个新的风险意识的推荐框架，结合机器学习和行为经济学，以揭示用户的购买行为背后的风险机制。具体地说，我们首先开发统计方法来估计每个项目的风险分布，然后将诺贝尔奖获奖的前景理论引入我们的模型，以了解用户如何从涉及风险的概率替代方案中进行选择，其中结果的概率是不确定的。在多个电子商务数据集上的实验表明，该方法比传统的推荐方法具有更好的推荐性能，进一步的分析也验证了风险感知推荐在准确性之外的优势。
2020-07-06 cs.IR
Value-aware Recommendation based on Reinforced Profit Maximization in E-commerce Systems
Alibaba Group（阿里巴巴集团）；Carnegie Mellon University（卡内基梅隆大学）；Rutgers University（罗格斯大学）
现有的推荐算法大多集中在优化传统的推荐措施，如RMSE方面的评级预测的准确性或前$k$推荐列表的质量方面的精度，召回率，MAP等，然而，商业推荐系统的一个重要期望是提高系统的最终收入/利润。传统的推荐目标如评分预测和顶级$k$推荐与此目标没有直接关系。在这项工作中，我们将在线广告和微观经济学的基本概念融入个性化推荐中，以实现利润最大化。具体而言，我们提出了基于强化学习的价值感知推荐，直接优化候选项的经济价值来生成推荐列表。特别是，我们推广的基本概念的点击转化率（CVR）在计算广告到会话率的任意用户动作（XVR）在电子商业，其中的用户动作可以点击，添加到购物车，添加到愿望清单等，这样，每种类型的用户动作被映射到其货币化的经济价值。进一步综合不同用户行为的经济价值作为排行榜的奖励，并利用强化学习对推荐榜进行优化，使总价值最大。在离线基准测试和在线商业系统中的实验结果验证了我们的框架在传统的顶级$k$排名任务和系统的经济效益方面的性能改进。
2019-02-03 cs.IR cs.LG
Centaur: A Chiplet-based, Hybrid Sparse-Dense Accelerator for Personalized Recommendations
KAIST（韩国科学技术院）
个性化推荐是支持几个重要应用领域（例如，广告、电子商务等）。稀疏嵌入层是设计建议的关键构建块，但很少注意适当加速这个重要的ML算法。本文首先提供了一个详细的个性化推荐的工作负载特征，并确定了两个显着的性能限制：内存密集型嵌入层和计算密集型多层感知器（MLP）层。然后，我们提出了Centaur，一个基于芯片的混合稀疏-密集加速器，它既解决了嵌入层的内存吞吐量挑战，又解决了MLP层的计算限制。我们实现并展示了我们的建议，英特尔HARPv 2，封装集成的CPU+FPGA设备，它显示了1.7- 17.2倍的性能加速和1.7- 19.5倍的能源效率比传统的方法改进。
2020-05-12 cs.DC cs.IR cs.LG
Personalized Attraction Enhanced Sponsored Search with Multi-task Learning
我们研究了一个新的问题，赞助搜索（SS）的电子商务平台：我们如何能够吸引查询用户点击产品广告（广告），通过向他们展示吸引他们的产品的功能。这不仅让商家和平台受益，也提升了用户体验。由于以下原因，该问题具有挑战性：（1）我们需要在不影响用户搜索体验的情况下仔细操作广告内容。(2)很难获得用户对产品功能偏好的明确反馈。(3)如今，电子商务平台中的大部分搜索流量来自其移动应用程序（例如，在淘宝网占比近90%）。在移动环境中，由于空间有限，情况会变得更糟。我们专注于移动设置，并建议通过添加一些卖点关键字（SP）来吸引查询用户来操纵广告标题。我们将其建模为一个个性化的吸引力SP预测问题，并在淘宝上进行了大规模的离线评估和在线A/B测试。本文的贡献包括：（1）探索了SP的各种展示方案。(2)我们提出了一个替代用户的显式反馈SP偏好。(3)我们还探索了多任务学习和各种附加功能，以提高性能。我们最好的模型的变体已经在淘宝上部署，每千次展示的收入增加了2%，商家的选择退出率低于4%。
2019-07-24 cs.IR
Graph Contrastive Learning with Multi-Objective for Personalized Product Retrieval in Taobao Search
本文提出多目标图对比学习模型GCL-MO，通过商品同构图和改进对比损失同时优化个性化与相关性，提升长尾商品表示，并在淘宝搜索中取得显著在线收益。
2023-07-10 cs.IR
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
Hybrid-Hierarchical Fashion Graph Attention Network for Compatibility-Oriented and Personalized Outfit Recommendation
Tarbiat Modares University (TMU)（塔比亚特莫达雷斯大学）
针对现有研究独立处理穿搭兼容性和个性化推荐的问题，提出FGAT框架，通过用户-穿搭-商品三层图及图注意力机制联合建模，在POG数据集上多指标优于基线，提升推荐效果。
2025-08-20 cs.IR cs.LG
Deep-learning Causal Retrieval Optimization for Efficient e-commerce Distribution in Pinterest
Pinterest, Inc.（Pinterest公司）
研究在Pinterest中如何高效分发电子商务内容，通过深度多任务模型学习个性化和情境化触发策略，结合双稳健伪结果训练及随机数据记录等方法，实现早期检索优化，大幅减少购物触发，提升会话数和保存数，节省成本。
2026-07-22 cs.IR cs.LG
CAEN: A Hierarchically Attentive Evolution Network for Item-Attribute-Change-Aware Recommendation in the Growing E-commerce Environment
传统的推荐系统主要关注用户兴趣建模。然而，由属性修改（例如价格的变化）引起的推荐项目的动态在实际系统中也是非常重要的，特别是在快速增长的电子商业环境中，这可能导致用户的需求出现、转移和消失。最近的动态项目表示的研究，努力把项目属性作为边信息，但忽略了它的时间依赖性，或模型的项目演变与相关的用户序列，但不考虑项目属性。在本文中，我们提出了核心属性进化网络（CAEN），它划分用户序列的属性值，从而模型的属性动态与这些用户的项目进化。在此框架下，我们进一步设计了一种层次化的注意力机制，该机制利用属性感知的注意力对每个属性下的用户进行聚合，并利用个性化的注意力来激活相似用户，以评估目标用户与项目的匹配程度。在实际电子商业数据集上的实验结果表明，该方法在属性快速变化的项目上取得了显著的改进，从而帮助项目推荐适应电子商业平台的发展。
2022-08-29 cs.IR
Linear-PAL: A Lightweight Ranker for Mitigating Shortcut Learning in Personalized, High-Bias Tabular Ranking
Viator, Tripadvisor（猫途鹰Viator）
Linear-PAL通过结构约束和向量化技术，在高偏差情况下提升排序质量并显著降低训练延迟。
2025-12-15 cs.IR cs.LG
Think-to-Personalize: Unifying Reasoning and Retrieval for User-Centric Personalized Dense Retrieval
University of Science and Technology of China（中国科学技术大学）；Meituan（美团）
本文提出TTP框架，将用户意图推理与密集检索统一，经两阶段训练后在电商场景实验及在线测试中均取得优于基线的效果，提升了订单量。
2026-08-25 cs.IR
Temporal Interest-Driven Multimodal Personalized Content Generation
针对静态偏好的个性化内容生成难以适配用户兴趣动态演变与多模态需求的问题，提出TIMGen模型，通过建模兴趣时间演变、融合多模态特征生成定制内容，可应用于多场景并为相关研究提供参考。
2025-09-04 cs.IR
Beyond Static Evaluation: Rethinking the Assessment of Personalized Agent Adaptability in Information Retrieval
University of Washington（华盛顿大学）；University of Tsukuba（筑波大学）
针对信息检索中个性化智能体评估方法静态化、无法反映用户需求动态演变的问题，提出含时序偏好用户模拟、结构化偏好引导、适配感知评估的演进式评估框架，并通过电商搜索案例验证，为个性化长期评估奠定概念基础。
2025-10-05 cs.IR cs.LG
Personalized Query Auto-Completion Through a Lightweight Representation of the User Context
eBay Inc.（eBay公司）
查询自动完成（QAC）是在许多领域（包括Web和电子商务搜索）中广泛使用的功能，基于用户键入的前缀建议完整查询。近年来，QAC在文献中得到了广泛的研究，并且一直表明，添加个性化特征可以显着提高QAC的性能。在这项工作中，我们提出了一种新的个性化QAC的方法，使用轻量级的嵌入通过fastText学习。我们构造一个嵌入的用户上下文查询，这是最后几个查询由用户发出。我们还使用相同的模型来获得要排名的候选查询的嵌入。我们引入排名功能，计算候选查询和上下文查询之间的距离在嵌入空间。然后将这些特征与其他常用的QAC排名特征相结合，以学习排名模型。我们将我们的方法应用于大型电子商务搜索引擎（eBay），并表明具有我们提出的功能的排名器在所有测量的离线指标上都显着优于基线，这些指标包括平均倒数排名（MRR），成功率（SR），平均平均精度（MAP）和归一化折扣累积增益（NDCG）。我们的基线包括最受欢迎的完成（MPC）模型以及没有我们提出的功能的排名模型。具有所提出的特征的排名模型在所有度量上都比MPC模型有$20-30\%$改进。对于所有会话，我们获得了比基线排名模型高的$5\%$改进，当我们限制包含用户上下文的会话时，其提高到大约$10\%$。此外，我们提出的功能也显着优于基于文本的个性化功能在文献中研究之前，并添加基于文本的功能，我们提出的基于嵌入的功能的结果只有轻微的改进。
2019-05-03 cs.AI cs.CL cs.IR
Deep Reinforcement Learning for Personalized Search Story Recommendation
Penn State University（宾夕法尼亚州立大学）；University of Arizona（亚利桑那大学）；Facebook（脸书）
近年来，与其他有机渠道结合展示的\emph{search story}已成为电商搜索平台、新闻推送平台、网页及图片搜索平台等平台的主要用户流量来源。推荐的搜索故事引导用户识别她自己的偏好和个人意图，这随后影响用户的实时和长期搜索行为。随着搜索故事的重要性越来越高，随着搜索故事变得越来越重要，在这项工作中，我们研究了搜索引擎中的个性化搜索故事推荐问题，其目的是建议与搜索关键字和单个用户的兴趣相关的搜索故事。为了解决对推荐搜索故事的当前和未来价值进行建模的挑战（即，交叉通道效应），传统的监督学习框架是不适用的，我们求助于马尔可夫决策过程，并提出了一个由模仿学习和强化学习训练的深度强化学习架构。我们通过对JD.com真实数据集的大量实验，实证证明了我们提出的方法的有效性。
2019-07-26 cs.IR cs.LG stat.ML
Towards Personalized Bangla Book Recommendation: A Large-Scale Heterogeneous Book Graph Dataset
East West University（东西方大学）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）；University of California San Diego（加州大学圣地亚哥分校）
针对孟加拉语文学缺乏结构化大规模公开数据集的问题，构建了RokomariBG异构图书图谱数据集，包含12.7万本书、6.3万用户等实体及多种关系，通过基准测试表明异构关系与混合文本元数据显著影响推荐性能。
2026-06-08 cs.IR cs.LG
Modeling Personalized Item Frequency Information for Next-basket Recommendation
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
下一个购物篮推荐（NBR）在电子商务和零售业中非常流行。在这种情况下，用户一次购买一组物品（一个购物篮）。NBR基于篮子序列执行顺序建模和推荐。NBR通常比广泛研究的顺序（基于会话）推荐更复杂，顺序推荐基于项目序列推荐下一个项目。递归神经网络（RNN）已被证明是非常有效的顺序建模，因此适用于丁腈橡胶。然而，我们认为，现有的RNN不能直接捕捉项目的频率信息的推荐方案。通过对真实世界数据集的仔细分析，我们发现{ \em个性化项目频率}（PIF）信息（记录用户购买每个项目的次数）为NBR提供了两个关键信号。但是，这在很大程度上被现有的方法所忽视。尽管现有的方法，如基于RNN的方法具有很强的表示能力，但我们的实证结果表明，它们无法学习和捕获PIF。因此，现有的方法不能充分利用PIF中包含的关键信号。鉴于RNN的这种固有限制，我们提出了一种简单的基于项目频率的k-最近邻（kNN）方法来直接利用这些关键信号。我们在四个公共的真实世界数据集上评估了我们的方法。尽管相对简单，但我们的方法经常优于最先进的NBR方法-包括使用RNN的基于深度学习的方法-当与PIF相关的模式在数据中起重要作用时。
2020-05-31 cs.IR cs.LG
Leveraging Code-Mixed Product Metadata and User Feedback for Personalized Recommendation on Daraz Bangladesh
East West University（东西大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
针对孟加拉国电商平台代码混合评论，通过k-core阈值消融实验评估六类模型，发现Banglish词汇碎片化导致NDCG@10下降46.8%，为低资源代码混合环境下的推荐研究建立可复现评估基础。
2026-06-16 cs.IR
