EENMF: An End-to-End Neural Matching Framework for E-Commerce Sponsored Search
Alibaba Group（阿里巴巴集团）
电子商业赞助搜索为电子商业公司贡献了收入的重要部分。考虑到有效性和效率，大规模赞助搜索系统通常采用多级架构。我们将这些阶段命名为广告检索、广告预排名和广告排名。本文将广告检索和广告预排序统称为广告匹配。我们提出了一个端到端的神经匹配框架（EENMF）模型的两个任务-基于向量的广告检索和基于神经网络的广告预排名。在深度匹配框架下，基于向量的广告检索利用用户最近的行为序列来检索相关的候选广告，而不受关键字竞价的约束。同时，深度模型被用于有效地和高效地执行来自多个检索路径的广告候选的全局预排名。此外，该模型在排序阶段试图优化点态交叉熵损失，这与预测模型的目标是一致的。我们进行了广泛的评估，以验证所提出的框架的性能。在一个大规模的电子商业赞助搜索的实际流量，所提出的方法显着优于基线。
2018-12-09 cs.IR cs.LG stat.ML
MMRM: A Multiplex Multimodal Representation Model for Product Ranking in E-commerce Search
针对电子商务搜索排名中多模态信息利用的局限，提出MMRM框架，通过共享主干从多信号学习生成多重商品表示，引入多重用户表示策略，并经实验验证其有效性，已成功应用于京东搜索引擎提升性能。
2026-07-14 cs.IR cs.LG cs.MM
Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems
学习排序自2010年左右引入以来，是一种有效的推荐方式。著名的算法，如贝叶斯个性化排名和协作少即是多过滤，在学术界和工业界都留下了深刻的影响。然而，大多数学习排序方法专注于提高技术准确性指标，如AUC，MRR和NDCG。推荐系统的其他评价指标，如公平性，直到最近几年才在很大程度上被忽视。本文提出了一种新的学习排序算法Pareto Pairwise Ranking。我们的灵感来自贝叶斯个性化排名和幂律分布的想法。我们表明，我们的算法是有竞争力的技术精度指标评估时，与其他算法。更重要的是，在我们的实验部分中，我们证明了Pareto Pairwise Ranking是最公平的算法，与其他9个当代算法相比。
2022-12-06 cs.AI cs.IR cs.LG
Towards Robustness Analysis of E-Commerce Ranking System
本文首次系统研究电商排序系统鲁棒性，定义鲁棒性为语义相同查询的排序结果一致性，提出兼顾排序位置与商品信息的新指标，基于真实电商数据发现排序不一致问题并给出优化方向，为电商排序鲁棒性测量提供指导。
2024-03-07 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
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
Generator and Critic: A Deep Reinforcement Learning Approach for Slate Re-ranking in E-commerce
Alibaba Group（阿里巴巴集团）
与逐点排序相比，石板重排序问题考虑了项目之间的相互影响，以提高电子商业中的用户满意度。以前的作品要么直接排名项目的端到端的模型，或排名项目的评分功能，权衡点的分数和项目之间的差异。然而，有两个主要的现有挑战没有得到很好的研究：（1）由于一个石板中的项目之间的复杂的相互影响，石板的评估是困难的;（2）即使给出最优评估，搜索最优石板也是具有挑战性的，因为动作空间是指数级的。在本文中，我们提出了一种新的生成器和评论家石板重新排名的方法，其中的评论家评估石板和生成器排名的项目通过强化学习的方法。我们提出了一个完整的石板批评（FSC）模型，认为真正的印象深刻的项目，并避免了现有模型的印象偏见。对于Generator，为了解决大动作空间的问题，我们提出了一种新的探索强化学习算法，称为PPO-Exploration。实验结果表明，FSC模型的性能明显优于现有的评价方法，PPO-Exploration算法的性能明显优于现有的强化学习方法。Generator和Critic方法在世界上最大的电子商业网站之一的现场实验中提高了石板效率（4%的gmv和5%的订单数）和多样性。
2020-05-25 cs.IR cs.LG stat.ML
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
Analysis of E-commerce Ranking Signals via Signal Temporal Logic
Amazon Search（亚马逊搜索）
通过学习排序模型检索的文档的时间位置可以被视为信号。信号携带有用的信息，例如文档随时间或用户行为的下降或上升。在这项工作中，我们建议使用的逻辑形式主义，称为信号时序逻辑（STL），以表征文档行为的排名相应的指定公式。我们的分析表明，有趣的文档行为可以很容易地形式化和检测感谢STL公式。我们在10万个产品信号的数据集上验证了我们的想法。通过所提出的框架，我们发现有趣的模式，如冷启动，热启动，尖峰，并检查它们如何影响我们的学习排序模型。
2021-01-14 cs.FL cs.IR cs.LG
Progressive Refinement of E-commerce Search Ranking Based on Short-Term Activities of the Buyer
eBay Inc.（eBay公司）
本文提出基于买家短期行为的电商搜索排名渐进优化方法，通过逐步引入上下文信息提升搜索结果质量。
2025-12-15 cs.IR cs.LG
Cascade Ranking for Operational E-commerce Search
在“大数据”时代，许多现实世界的应用程序，如搜索，涉及大量项目的排名问题。重要的是获得有效的排名结果，同时及时有效地获得结果，以提供良好的用户体验并节省计算成本。有价值的先前研究已经进行了学习，以有效地排名，如级联排名（学习）模型，它使用一系列的排名功能，逐步过滤一些项目和排名的其余项目。然而，大多数现有的研究学习，以有效地排名在搜索中的研究是在一个相对较小的计算环境中模拟用户查询。本文提出了新的研究和深入的研究设计和部署的级联模型在大规模运营的电子商务搜索应用程序（CLOES），处理数以亿计的用户查询，每天数百台服务器。现实世界应用的挑战为研究提供了新的见解：1）。现实世界的搜索应用通常涉及关于用户体验和计算成本的偏好或约束的多个因素，诸如搜索准确性、搜索延迟、搜索结果的大小和总CPU成本，而大多数现有的搜索解决方案仅解决一个或两个因素; 2）。电子商务搜索的有效性涉及用户的多种行为，如点击和购买，而大多数现有的搜索级联排名仅模型的点击行为。基于这些观察，一个新的级联排名模型的设计和部署在一个可操作的电子商务搜索应用。一组广泛的实验表明，所提出的工作，以解决在现实世界中的应用程序的有效性，效率和用户体验的多个因素的优势。
2017-06-07 cs.IR stat.ML
Advancing Re-Ranking with Multimodal Fusion and Target-Oriented Auxiliary Tasks in E-Commerce Search
JD.com, Inc.（京东集团）
针对电商搜索重排序中多模态信息整合不足的问题，提出融合注意力多模态技术与排序对齐辅助任务的ARMMT方法，京东实验显示其CVR提升0.22%，达SOTA水平，助力GMV增长。
2024-08-11 cs.CV cs.IR
UNDR: User-Needs-Driven Ranking of Products in E-Commerce
在线零售商通常会提供大量的产品供客户筛选和浏览。产品列出的顺序取决于在线商店中采用的排名算法。最先进的排名方法是复杂的，并利用许多不同的信息，例如，用户查询和意图、产品属性、流行度、新近度、评论或购买。然而，包含用户生成的数据（如点击数据、用户评级或评论）的方法不利于尚未被客户评级的新产品。因此，我们提出了用户需求驱动的排名（UNDR）的方法，占明确的客户需求，通过使用方面的流行度和方面的价值流行度。作为一种以用户为中心的方法，不依赖于购买后的评级或评论，我们的方法绕过了冷启动问题，同时仍然反映了普通客户的需求。在两个初步的用户研究中，我们将我们的排名方法与基于评级的排名基线进行了比较。我们的研究结果表明，我们提出的方法产生的排名，适合当前客户的需求显着优于基线。然而，更细粒度的使用特定排名并没有进一步提高排名。
2023-02-13 cs.IR
KuaiSearch: An E-Commerce Search Dataset with Authentic Queries and Product Texts for Recall, Ranking, and Relevance
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能全国重点实验室，中国科学技术大学）；Kuaishou Technology（快手科技）
本文提出KuaiSearch，首个涵盖召回、排序和相关性评估的大型电商平台搜索数据集，通过真实用户交互数据提升电商搜索研究的准确性与实用性。
2026-10-06 cs.IR
Rethinking the Role of Pre-ranking in Large-scale E-Commerce Searching System
本文重新审视电商搜索系统中预排序的角色，提出与在线A/B测试一致的无序集合评估指标ASH及多目标学习框架ASMOL，显著提升了预排序效果并实现1.2%的GMV增长。
2023-05-23 cs.IR
Do Not Wait: Learning Re-Ranking Model Without User Feedback At Serving Time in E-Commerce
Alibaba Group（阿里巴巴集团）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Information, Renmin University of China（中国人民大学信息学院）
针对电商重排序在线学习依赖延迟用户反馈的问题，提出服务时学习方法LAST，用替代模型提供指导信号、按请求临时修改模型，可无缝集成现有系统，性能优于SOTA重排序模型。
2024-06-20 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
PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework in E-commerce
Meituan（美团）
重排序是一种通过对项目之间的相互影响进行建模来重新排列排名列表，以更好地满足用户需求的方法，越来越受到学术界和行业的关注。现有的重排序方法直接以初始排序列表为输入，通过设计良好的上下文模型生成最优排列，这就带来了重排序前的评估问题。同时，评估所有候选排列在实践中带来了不可接受的计算成本。因此，为了更好地平衡效率和效果，在线系统通常使用两阶段架构，该架构首先使用一些探试法（例如波束搜索）来产生合适数量的候选排列，然后将其馈送到评估模型以获得最优排列。然而，这两个阶段的现有方法可以通过以下方面进行改进。对于生成阶段，探试法只使用逐点预测得分，缺乏有效的判断。在评估阶段，现有的上下文评估模型大多只考虑项目上下文，缺乏更细粒度的特征上下文建模。本文提出了一种新的端到端重排序框架PIER，以解决上述挑战，仍然遵循两个阶段的架构，并包含两个主要模块FPSM和OCPM。我们应用SimHash在FPSM中选择前K个候选人从全排列的基础上用户的排列级别的兴趣，在一个有效的方式。然后，我们设计了一种新的全方位的注意力机制在OCPM捕获的上下文信息的排列。最后，我们通过引入比较学习损失来联合训练这两个模块。离线实验结果表明，PIER在公共数据集和行业数据集上的性能优于基线模型，并且我们已经成功地将PIER部署在美团外卖平台上。
2023-02-06 cs.AI cs.IR
Minimum Weighted Feedback Arc Sets for Ranking from Pairwise Comparisons
New Jersey Institute of Technology（新泽西理工学院）
本文提出基于组合算法的MWFAS方法，用于改进大规模排名任务，证明其在效率和准确性上的优势。
2025-12-04 cs.AI cs.DS 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
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
A Brand-level Ranking System with the Customized Attention-GRU Model
Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）；Northwest University of China（中国西北大学）；Alibaba-Zhejiang University Joint Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）
在淘宝等电子商务网站中，品牌在影响用户点击/购买决策方面发挥着越来越重要的作用，部分原因是用户现在越来越重视产品的质量，而品牌是质量的指标。然而，现有的排名系统不是专门设计来满足这种需求。一些设计技巧可能会部分缓解这个问题，但仍然不能提供令人满意的结果或可能会产生额外的交互成本。在本文中，我们设计了第一个品牌级排名系统来解决这个问题。该系统的关键挑战是如何充分利用用户在电子商务网站上的丰富行为来对品牌进行排名。在我们的解决方案中，我们首先进行专门为个性化品牌排名问题量身定制的特征工程，然后通过包含三个重要修改的自适应Attention-GRU模型对品牌进行排名。请注意，我们提出的修改也可以应用于各种任务的许多其他机器学习模型。我们进行了一系列的实验，以评估我们提出的排名模型的有效性和测试的反应，从真正的用户在一个大型的电子商务平台，即淘宝网的品牌级排名系统。
2018-08-11 cs.IR cs.LG
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
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
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
Seasonality Based Reranking of E-commerce Autocomplete Using Natural Language Queries
Walmart Global Tech（沃尔玛全球技术）
本文提出基于神经网络NLP算法，将季节性信号纳入电商查询自动补全排序模型，端到端评估表明该方法提升了补全相关性与业务指标。
2023-08-03 cs.CL cs.IR cs.LG
Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations
University of California, Berkeley（加州大学伯克利分校）
本文提出一种碳感知重排序策略，通过检索增强的碳足迹估计管道推断缺失的产品碳足迹标签，并在三个推荐模型上权衡用户参与度与碳排放，实现可持续推荐。
2026-06-03 cs.AI cs.IR cs.SI
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
Some Practice for Improving the Search Results of E-commerce
Purdue University（普渡大学）；Tsinghua University（清华大学）
在Amazon KDD Cup 2022中，我们的目标是应用自然语言处理方法来提高搜索结果的质量，从而显著增强用户体验和与电子商业搜索引擎的互动。我们讨论我们的实际解决方案，在任务一中排名第六，在任务二中排名第二，在任务三中排名第二。该代码可在https://github.com/wufanyou/KDD-Cup-2022-Amazon上获得。
2022-07-30 cs.AI cs.IR
Debiased Explainable Pairwise Ranking from Implicit Feedback
University of Louisville（路易斯维尔大学）
最近的工作在推荐系统中强调了公平的重要性，特别是在偏见和透明度，除了预测准确性。在本文中，我们专注于最先进的成对排名模型，贝叶斯个性化排名（BPR），它以前被发现在预测准确性方面优于逐点模型，同时也能够处理隐式反馈。具体来说，我们解决了BPR的两个局限性：（1）BPR是一个黑箱模型，不解释其输出，从而限制了用户对建议的信任，以及分析师审查模型输出的能力;（2）由于数据是非随机缺失（MNAR），BPR容易受到暴露偏差的影响。这种曝光偏差通常会转化为对最不受欢迎的项目的不公平，因为它们有被推荐系统曝光不足的风险。在这项工作中，我们首先提出了一种新的可解释的损失函数和相应的矩阵分解为基础的模型，称为可解释的贝叶斯个性化排名（EBPR），生成建议以及基于项目的解释。然后，我们从理论上量化额外的曝光偏差所造成的可解释性，并使用它作为基础，提出一个无偏估计的理想EBPR损失。其结果是一个排名模型，恰当地捕捉了去偏见和可解释的用户偏好。最后，我们对三个真实世界的数据集进行了实证研究，证明了我们提出的模型的优点。
2021-07-30 cs.AI cs.IR cs.LG
Fairness in Recommendation Ranking through Pairwise Comparisons
Google（谷歌）
推荐系统是工业中机器学习最普遍的应用之一，许多服务使用它们来将用户与产品或信息相匹配。因此，重要的是要问：什么是可能的公平风险，我们如何量化它们，以及我们应该如何解决它们？在本文中，我们提供了一套新的度量标准，用于评估算法公平性的关注推荐系统。特别是，我们如何衡量公平性的基础上成对比较随机实验提供了一个易于处理的方法来推理公平性的排名推荐系统。在此指标的基础上，我们提供了一个新的正则化器，以鼓励在模型训练期间改进此指标，从而提高最终排名的公平性。我们将这种成对正则化应用于一个大规模的生产推荐系统，并表明我们能够显着提高系统的成对公平性。
2019-03-02 cs.AI cs.CY cs.IR
Accelerating E-Commerce Search Engine Ranking by Contextual Factor Selection
在工业大规模搜索系统中，例如Taobao.com搜索商品，通过从复杂的过程中引入更多的因素，例如，用于提取图像因子的深度神经网络。同时，这些因素的增加也增加了对计算资源的需求，增加了系统的响应延迟。已经观察到，搜索实例通常只需要一小组有效因子，而不是所有因子。因此，去除无效因素显著提高了系统效率。本文研究了\emph{Contextual Factor Selection}（CFS）算法，该算法针对每个搜索实例只选择一个有效因子子集，在搜索质量和响应延迟之间取得了较好的平衡。我们将CFS注入到搜索引擎的排名评分中，以加速引擎，同时考虑排名的有效性和效率。CFS模型的学习涉及到一个组合优化问题，它被转化为一个序列决策问题。通过强化学习来解决这个问题，我们提出了RankCFS，它已经在离线环境和真实世界的在线环境（淘宝网）中进行了评估。实验结果表明，本文提出的CFS方法在离线环境下的性能优于现有的几种有监督/无监督的特征选择方法，在日常测试和$2017$的光棍节购物节测试中，在服务延迟方面也取得了显着的实际性能改善。
2018-03-14 cs.IR
Generating Query-Relevant Document Summaries via Reinforcement Learning
提出强化学习框架ReLSum，利用相关性得分作为奖励，通过可训练LLM生成查询相关的商品描述摘要作为交叉编码器排序模型的输入，显著提升了大规模电商搜索的离线与在线指标。
2025-08-11 cs.AI cs.IR cs.LG
Joint Optimization of Relevance and Engagement in Multi-Task Ranking for E-Commerce with Efficient LLM Supervision
DoorDash Inc.（DoorDash公司）
提出一个生产级多任务排序系统，通过序数相关头与统一价值模型联合优化相关性和参与度，并利用微调轻量级LLM生成三级序数相关标签，显著提升语义对齐同时保持核心参与目标。
2026-05-26 cs.IR
TSPRank: Bridging Pairwise and Listwise Methods with a Bilinear Travelling Salesman Model
University of Edinburgh（爱丁堡大学）；Nvidia Research（英伟达研究院）
针对传统成对排序全局效果差、列表式排序调参复杂提升有限的问题，提出将排序重构为旅行商问题的TSPRank混合方法，可集成到现有骨干模型嵌入中，在多任务多模型上显著优于纯成对和列表式方法。
2025-03-23 cs.AI cs.IR
Learning to Rank For Push Notifications Using Pairwise Expected Regret
Twitter（推特）
列表排序损失在推荐系统中得到了广泛的研究。然而，新的内容消费模式对排名方法提出了新的挑战。在这项工作中，我们有助于分析学习排序个性化的移动推送通知，并讨论了独特的挑战，这提出了传统的排名问题相比。为了解决这些挑战，我们引入了一种新的排名损失的基础上加权候选人之间的成对损失的预期遗憾误排序对。我们证明了所提出的方法可以优于以前的方法，无论是在模拟环境中，并在一个主要的社会网络的生产实验。
2022-01-19 cs.IR cs.LG
Sparse Pairwise Re-ranking with Pre-trained Transformers
成对重新排序模型预测两个文档中的哪一个与查询更相关，然后根据这些偏好聚合最终排名。这通常比直接预测每个文档的相关性值的逐点重新排名模型更有效。然而，成对模型的高推理开销限制了它们的实际应用：通常，对于要重新排序的一组$k$文档，聚合所有$k^2-k$比较对（不包括自比较）的偏好。我们调查是否可以提高成对重新排序的效率，从所有对抽样。在一项探索性研究中，我们评估了三种抽样方法和五种偏好聚合方法。最佳组合允许在可接受的检索有效性损失下进行数量级更少的比较，而竞争有效性已经实现了约三分之一的比较。
2022-07-10 cs.IR
MLPlatt: Simple Calibration Framework for Ranking Models
Allegro sp. z o.o.（阿尔戈公司）；Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）；Warsaw University of Technology（华沙技术大学）
MLPlatt通过简单有效的方法提升排序模型的校准性能，实现高可解释性与排序质量的平衡。
2026-01-13 cs.IR cs.LG
Learning Robust Models for e-Commerce Product Search
Iowa State University（爱荷华州立大学）；Amazon（亚马逊）
显示与搜索查询意图不匹配的项目会降低电子商业中的客户体验。这些不匹配是由于排名算法对搜索日志中的点击和购买等嘈杂行为信号的反事实偏见。缓解这个问题需要一个大的标记数据集，这是昂贵和耗时的获得。在本文中，我们开发了一个深度的端到端模型，该模型可以学习有效地对不匹配进行分类，并生成难以匹配的示例来改进分类器。我们通过在交叉熵损失中引入一个潜在变量来对模型进行端到端的训练，交叉熵损失在使用真实样本和生成样本之间交替。这不仅使分类器更加健壮，而且还提高了整体排名性能。与基线相比，我们的模型在F评分方面实现了超过26%的相对增益，在PR曲线下面积方面超过17%。在实时搜索流量方面，我们的模型在多个国家获得了显着改善。
2020-05-07 cs.CL cs.IR cs.LG
Enabling Hyper-Personalisation: Automated Ad Creative Generation and Ranking for Fashion e-Commerce
Myntra Designs（Myntra设计公司）；Microsoft（微软）
主页是客户旅程中的第一个接触点，也是许多电子商业公司的主要收入渠道之一。用户的注意力主要通过主页横幅图像（也称为广告/创意）来捕获。所示的横幅及其设计集，影响客户的兴趣，并在优化横幅的点击率中起着关键作用。目前，投入大量和重复的努力来手动创建美观的横幅图像。由于在这个过程中涉及大量的时间和精力，只有一小部分横幅在任何时候都是活的。这减少了创建的横幅的数量以及可以实现的个性化程度。因此，本文提出了一种方法，自动生成创意在大规模在短时间内。生成的各种横幅的可用性有助于提高个性化，因为它们可以迎合更大受众的口味。我们的论文的重点是生成各种各样的网页横幅，可以作为用户级个性化引擎的输入。以下是本文的主要贡献：1）我们介绍并解释了电子商业大规模横幅生成的必要性2）我们介绍了如何利用现有的基于深度学习的检测器，这些检测器可以自动注释图像中所需的对象/标签。3)我们还提出了一个基于遗传算法的方法来生成一个最佳的横幅布局给定的图像内容，输入组件和其他设计约束。4)此外，为了帮助选择正确的横幅，我们设计了一种排名方法并评估了多个模型。我们所有的实验都是在来自印度顶级时尚电子商业参与者之一Myntra（http：//www.example.com）的数据上进行的。www.myntra.com
2019-08-27 cs.CV cs.IR
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
Harnessing Pairwise Ranking Prompting Through Sample-Efficient Ranking Distillation
本文提出通过成对蒸馏将 PRP 的排序能力迁移到逐点学生模型，并证明仅用 2% 文档对即可达到与全量教师标签相同的性能，从而在蒸馏和推理阶段均大幅降低计算成本。
2025-07-07 cs.IR
From Pairwise to Ranking: Climbing the Ladder to Ideal Collaborative Filtering with Pseudo-Ranking
本文提出伪排序范式（PRP），通过噪声注入机制生成伪排序并结合新的排序损失函数与置信度机制，有效弥合成对近似与理想协同过滤之间的性能差距，在四个数据集上显著优于现有方法。
2024-12-24 cs.IR
VARG: Value-Aware and Ranking-Aligned Generative Retrieval for Dynamic E-commerce Search
University of Science and Technology of China（中国科学技术大学）；Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）；Nankai University（南开大学）
针对电商搜索召回与粗排整合问题，提出VARG生成式检索系统，通过RQ-VAE语义前缀、价值排序令牌及Prefix-GRPO对齐，在离线与在线测试中提升GMV、IPV和PCTR。
2026-09-15 cs.IR
Cross Pairwise Ranking for Unbiased Item Recommendation
University of Science and Technology of China（中国科学技术大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
大多数推荐系统在观察到的交互数据上优化模型，这受到先前曝光机制的影响，并表现出许多偏差，如流行度偏差。损失函数，如最常用的逐点二进制交叉熵和成对贝叶斯个性化排名，是不是设计来考虑观察数据中的偏差。因此，在损失上优化的模型将继承数据偏差，甚至更糟，放大偏差。例如，一些受欢迎的项目占用了越来越多的曝光机会，严重损害了利基项目的推荐质量-被称为臭名昭著的马修效应。在这项工作中，我们开发了一种新的学习范式，称为交叉配对排名（CPR），实现无偏见的建议，而不知道曝光机制。与反向倾向评分（IPS）不同，我们改变了样本的损失项-我们创新地对多个观察到的相互作用进行一次采样，并将损失作为其预测的组合。我们从理论上证明了这种方法抵消了用户/项目倾向对学习的影响，消除了由暴露机制引起的数据偏差的影响。与IPS相似，我们提出的CPR确保了每个训练实例的无偏学习，而无需设置倾向分数。实验结果表明，CPR优于国家的最先进的去偏的解决方案，在模型的泛化和训练效率。这些代码可在www.example.com上获得。
2022-04-26 cs.IR cs.LG
Off-line vs. On-line Evaluation of Recommender Systems in Small E-commerce
在本文中，我们提出了我们的工作对比较在线和离线的评价指标的背景下，小型电子商业推荐系统。由于互动量较低和用户忠诚度较低，小型电子商业企业的推荐具有相当大的挑战性，很少超过单个会话。另一方面，我们通常不得不处理较少量的对象，这些对象更容易被用户通过各种浏览/搜索GUI发现。本文的主要目标是确定离线评估指标的适用性，在学习真正的可用性推荐系统（评估在线A/B测试）。总共有800种推荐算法的变体被离线评估。18项指标，涵盖基于评级、基于排名、新颖性和多样性评估。离线的结果进行了比较，然后与在线评价的12个选定的推荐变量和结果的基础上，我们试图学习和利用离线到在线的结果预测模型。离线结果表明，在性能w.r.t.不同的指标与帕累托前沿覆盖68%的方法。此外，我们观察到，在线结果受到用户的新颖性的影响。对于新手用户，在线指标与基于排名的指标（AUC，MRR，nDCG）呈正相关，而过高的多样性和新颖性值对他们的在线结果产生了负面影响。然而，对于访问项目较多的用户，多样性变得更加重要，而基于排名的度量相关性逐渐降低。
2020-06-09 cs.IR
Density-Ratio Based Personalised Ranking from Implicit Feedback
从隐式用户反馈中学习是一项挑战，因为我们只能观察到积极的样本，而无法访问消极的样本。大多数传统方法通过采用负采样的成对排序方法来处理这个问题。然而，成对排序方法在收敛时间上具有严重的缺点，这是由于相对于样本大小的二次增加的计算成本;它是有问题的，特别是对于大规模数据集和复杂模型，如神经网络。相比之下，逐点方法不直接解决排名问题，因此在前K排名任务中不如成对对应物;然而，它通常在收敛时间方面是有利的。本研究的目的是建立一种方法来学习个性化排名的隐式反馈，这调和的逐点方法的训练效率和排名的有效性的配对。其关键思想是以逐点方式估计项目的排名;我们首先重新制定了传统的逐点方法的基础上密度比估计，然后将本质的排名导向的方法（例如，成对的方法）到我们的配方。通过对三个真实数据集的实验，我们证明了我们的方法不仅大大减少了收敛时间（快一到两个数量级），而且还显着提高了排名性能。
2021-01-19 cs.IR
Optimizing Gross Merchandise Volume via DNN-MAB Dynamic Ranking Paradigm
Business Growth BU.（业务增长事业部）
随着人们从传统的“实体店”购物模式向web2.0 $\mathit{era}$中的在线移动购物模式的转变，推荐系统在电子商务和电子零售中起着至关重要的作用。当为超过$\mathbf{236~million}$的每日活跃用户设计此系统时，尤其如此。排名策略是推荐系统的关键模块，需要精确、准确、快速地估计用户的意图。我们提出了一个动态排名范例，命名为DNN-MAB，它由一个成对的深度神经网络（DNN）$\mathit{pre}$ -排名器连接一个修订的多臂强盗（MAB）动态$\mathit{post}$ -排名器组成。通过考虑显式和隐式的用户反馈，如印象，点击，转换等，DNN-MAB能够调整DNN $\mathit{pre}$排名分数，以帮助客户定位他们最感兴趣的项目，以便他们可以快速和频繁地收敛。据我们所知，像DNN-MAB这样的框架在以前的文献中没有向电子商务或机器学习受众进行过讨论。在实践中，DNN-MAB已经部署到生产中，它通过显着提高商品总量（GMV）（这是JD的客观指标），轻松优于其他最先进的模型。
2017-08-14 cs.AI cs.IR
Towards More Relevant Product Search Ranking Via Large Language Models: An Empirical Study
本文针对电商搜索排序缺乏黄金标准的问题，提出利用LLMs生成标签和特征以提升基于内容相关性的预测能力，并通过sigmoid变换极化相关性分数，结合在线与离线实验验证了该方法能更有效平衡内容与交互相关性。
2024-09-26 cs.IR
ListBERT: Learning to Rank E-commerce products with Listwise BERT
对于拥有无数产品的电子商业平台来说，高效搜索是一个关键组成部分。每天都有数以百万计的用户在搜索符合他们需求的产品。因此，在顶部显示相关产品将增强用户体验。在这项工作中，我们提出了一种新的方法，融合了变压器为基础的模型与各种列表损失函数的排名电子商业产品，用户查询。我们在时尚电子商业语料库上预训练了一个RoberTa模型，并使用不同的列表损失函数对其进行了微调。我们的实验表明，与其他流行的列表损失函数，如ListNET和ListMLE相比，与基于NDCG的代理损失函数（approxNDCG）微调的RoBERTa模型实现了13.9%的NDCG改进。与基于成对RankNet的RoBERTa模型相比，基于近似NDCG的RoBERTa模型也实现了20.6%的NDCG改进。我们称我们的方法直接优化的RoBERTa模型在一个端到端的方式与列表代理损失函数作为ListBERT。由于在实时搜索设置中有低延迟的要求，我们展示了如何通过使用知识蒸馏技术来轻松采用这些模型来学习一个以代表为中心的学生模型，该模型可以轻松部署，并导致排名延迟降低约10倍。
2022-06-30 cs.IR
A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce
针对电商搜索与推荐场景差异捕捉不足及全局标签信息利用不充分的问题，提出统一框架USR，通过IE、FG和GLMT联合建模，显著提升多场景排序性能并已上线7Fresh App。
2024-06-12 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
Cleo: A Transparent and Controllable Chatbot for Conversational Commerce
GESIS – Leibniz Institute for the Social Sciences（GESIS - 莱布尼茨社会科学研究所）
Cleo是一款用于会话式商务的透明可控制聊天机器人，通过混合架构、可审计排序机制等解决LLM的不透明性等问题，为产品搜索决策提供支持。
2026-08-07 cs.HC cs.IR
Answer Ranking for Product-Related Questions via Multiple Semantic Relations Modeling
许多电子商务网站现在提供特定产品的问答平台，供用户在网上购物时通过发布和回答问题来相互交流。然而，普通用户提供的多个答案通常在质量上变化很大，因此需要为每个问题适当地排名以提高用户满意度。可以观察到，产品评论通常为给定的问题提供有用的信息，因此可以帮助排名过程。在本文中，我们研究了产品相关问题的答案排名问题，与相关的评论作为辅助信息，可用于促进排名。我们提出了一个名为MUSE的答案排名模型，它仔细地模拟了问题，答案和相关评论之间的多种语义关系。具体来说，MUSE以问题、每个答案和每个评论片段为节点构建了一个多语义关系图。然后设计了一个定制的图卷积神经网络，用于显式建模问题和答案之间的语义相关性，答案之间的内容一致性，以及答案和评论之间的文本蕴涵。在三个产品类别的真实电子商务数据集上进行的大量实验表明，我们提出的模型在相关答案排名任务上取得了优异的性能。
2020-06-28 cs.IR
