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
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
Retail-GPT: leveraging Retrieval Augmented Generation (RAG) for building E-commerce Chat Assistants
本研究提出开源的Retail-GPT电商聊天助手，基于RAG技术实现产品推荐、购物车管理等功能，具备跨平台适配性，可充当虚拟销售代理并验证同类助手在零售场景的可行性。
2024-08-15 cs.AI cs.CL cs.HC
TBGRecall: A Generative Retrieval Model for E-commerce Recommendation Scenarios
Shanghai Jiaotong University（上海交通大学）；Alibaba Inc.（阿里巴巴公司）
TBGRecall通过整合下一会话预测，提升电商推荐系统的生成检索能力，有效解决传统模型在多会话生成中的局限性。
2025-11-23 cs.AI cs.IR
SearchGCN: Powering Embedding Retrieval by Graph Convolution Networks for E-Commerce Search
图卷积网络（GCN）是近年来发展起来的一种用于图节点分类、推荐等应用的新方法，但尚未成功应用于工业规模的搜索引擎。在这个建议中，我们介绍了我们的方法，即SearchGCN，在世界上最大的电子商业搜索引擎之一的嵌入式候选检索。实证研究表明，SearchGCN学习更好的嵌入表示比现有的方法，特别是对于长尾查询和项目。因此，SearchGCN自二零二零年七月起已部署于JD.com的搜索产品中。
2021-07-01 cs.IR
Comparative Analysis of Neural Retriever-Reranker Pipelines for Retrieval-Augmented Generation over Knowledge Graphs in E-commerce Applications
Abertay University（阿伯泰大学）
本文研究电商场景下知识图谱检索增强生成中神经检索-排序流水线的设计与比较，通过实验验证了优化配置在提升检索性能上的有效性。
2025-12-14 cs.AI cs.CL cs.IR
Generative Retrieval with Preference Optimization for E-commerce Search
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
针对电商搜索中标题生成难、噪声、长尾及可解释性问题，提出偏好优化生成式检索框架，利用多跨度标识符、点击偏好对齐和约束束搜索提升检索与转化效果。
2024-10-25 cs.AI cs.IR
Efficient Generative Retrieval for E-commerce Search with Semantic Cluster IDs and Expert-Guided RL
Taobao \& Tmall Group of Alibaba Hangzhou China；Taobao \& Tmall Group of Alibaba
本文提出CQ-SID和EG-GRPO方法，通过语义聚类ID和强化学习提升电商搜索的生成检索效果，实现点击率和转化率的显著提升。
2026-05-14 cs.AI cs.IR
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
A Multimodal Recommender System for Large-scale Assortment Generation in E-commerce
Overstock
电子商业平台主要通过产品推荐来展示有趣的产品，这些产品推荐捕捉用户的风格和审美偏好。将推荐作为一个完整的互补集或分类，对于成功的电子商业体验至关重要，特别是对于家具等产品类别，其中项目与整体主题，风格或空间氛围一起选择。在本文中，我们提出了两个视觉感知的推荐系统，可以自动策划一个品种的客厅家具周围的一对夫妇预先选定的种子件的房间。第一个系统旨在通过使用迁移学习和主题建模来最大化整个选择的基于视觉的风格兼容性。第二个系统扩展了第一个，将文本数据和应用多语言的主题建模，以推断风格在这两种方式。我们回顾了这些视觉感知推荐系统的生产流水线，并通过离线验证和大规模在线A/B测试对Overstock进行了比较。我们的实验结果表明，赞美的风格是最好的发现产品集时，视觉和文本数据。
2018-06-28 cs.CV cs.IR cs.LG
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
Uni-Retrieval: A Multi-Style Retrieval Framework for STEM's Education
Nanyang Technological University, Singapore（南洋理工大学）；Shanghai Jiao Tong University, China（上海交通大学）；Peking University, China（北京大学）；Hong Kong Polytechnic University, Hong Kong, China（香港理工大学）
针对现有检索模型适配教育场景不足的问题，本文提出多风格检索框架Uni-Retrieval与STEM教育检索数据集SER，基于提示调优实现动态提示检索，在多数任务上优于现有模型，为教育需求提供精准方案。
2025-05-20 cs.AI cs.IR cs.MM
Towards Sustainable Growth: A Multi-Value-Aware Retrieval Framework for E-Commerce Search
Taobao \& Tmall Group of Alibaba HangZhou China；Taobao \& Tmall Group of Alibaba
本文提出了一种多价值感知的检索框架，旨在平衡即时转化与长期商品增长，通过引入ItemLTV模块和MultiGR模块，提升电子商务搜索系统的可持续增长能力。
2026-05-18 cs.AI 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
VCG: A Multimodal Retrieval Framework for E-Commerce Video Feeds under Extreme Cold-Start Conditions
Zalando Switzerland AG（Zalando瑞士有限公司）；TU Wien（维也纳技术大学）；Zalando SE（Zalando德国分公司）
针对电商视频流中的极端冷启动和偏差问题，提出基于领域自适应视觉-语言模型（CLIP）的可扩展多模态检索系统VCG，实现零样本检索，在线测试显示深度视频完成率提升50%。
2026-06-19 cs.AI cs.IR cs.LG
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
Beyond Matching: Category-Guided Latent Intent Reasoning for Generative Retrieval in E-Commerce
Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Meituan（美团）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Information Science and Technology University（北京信息科技大学）；SKLCCSE, School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与技术学院）
提出CaLIR框架，通过类别引导的潜在意图推理，在生成式检索中弥合查询与商品标识的表示差距，平衡检索效果与推理效率。
2026-06-11 cs.IR
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
Generative Retrieval and Alignment Model: A New Paradigm for E-commerce Retrieval
本文提出电商检索新范式GRAM，通过联合训练查询和产品文本生成共享标识符代码，并采用共同对齐策略和评分机制优化检索效率，显著优于传统及最新生成式检索模型。
2025-07-11 cs.AI cs.CL cs.IR
MOHPER: Multi-objective Hyperparameter Optimization Framework for E-commerce Retrieval System
Bucketplace Inc.（Bucketplace公司）
针对传统电商搜索优化仅侧重CTR易忽略真实购买意图、CTCVR稀疏性带来优化难题的问题，提出多目标超参数优化框架MOHPER，结合贝叶斯优化与采样联合优化多目标，还提出元配置投票等策略提升效率，已在实际部署中实现用户满意度与营收的平衡优化。
2025-08-31 cs.AI cs.IR
Mine and Refine: Optimizing Graded Relevance in E-commerce Semantic Search Retrieval
DoorDash Inc.（DoorDash公司）
本文提出一种两阶段框架，通过挖掘和精炼提升电子商务搜索检索的分级相关性，结合对比学习和多类圆损失优化嵌入空间。
2026-08-31 cs.IR cs.LG
Semantic Retrieval for Product Search in E-Commerce
Flipkart, India（印度Flipkart）
针对电商搜索中短、嘈杂、口语化查询和细粒度属性区分问题，提出一种基于Siamese LLM双编码器的两阶段训练方法，通过对比学习和偏好优化实现精确匹配与排序。
2026-05-31 cs.IR cs.LG
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
SSR-GRPO: Integrating Supervision and Semantic IDs into Reinforcement Learning for Dense Retrieval in E-commerce
Alibaba Group（阿里巴巴集团）
该研究针对电商嵌入检索的语义处理难题，提出SSR-GRPO模型，通过双视角相关性评估、难负样本挖掘等策略优化R-GRPO，经实验验证有效并已部署于大规模电商平台。
2026-08-21 cs.IR
UniECS: Unified Multimodal E-Commerce Search Framework with Gated Cross-modal Fusion
Kuaishou Technology（快手科技）
UniECS提出统一多模态电商搜索框架，通过门控融合编码器、多损失联合训练策略和M-BEER基准，在多个基准上以0.2B参数超越更大模型，并在快手平台实现点击率与收入显著提升。
2025-08-19 cs.AI cs.IR
Differentiable Retrieval Augmentation via Generative Language Modeling for E-commerce Query Intent Classification
针对检索器与下游模型异步训练导致的性能下降问题，提出可微检索增强方法Dragan，通过可微重构实现端到端联合训练，在电商查询意图分类的离线与在线实验中均显著优于基线。
2023-09-15 cs.CL cs.IR
TIGER-FG: Text-Guided Implicit Fine-Grained Grounding for E-commerce Retrieval
Kuaishou Technology（快手科技）
本文提出TIGER-FG框架，通过文本引导生成目标聚焦的物品表示，解决电商检索中模态和粒度不匹配的问题，并在两个基准测试中提升了检索精度。
2026-05-18 cs.CV cs.IR
Cross-Domain Image Retrieval with Attention Modeling
National University of Singapore（新加坡国立大学）；Singapore University of Technology and Design（新加坡科技设计大学）；University of Electronic Science and Technology of China（电子科技大学）
随着电子商务网站的激增和智能手机的普及，使用智能手机拍摄的图像作为查询来搜索电子商务网站上的产品的跨域图像检索正在成为一种流行的应用。这个任务的一个挑战是定位查询和数据库图像的注意力。具体地，电子商务网站上的例如时尚产品的数据库图像通常与其他附件一起显示，并且用户拍摄的图像包含嘈杂的背景以及取向和照明的大变化。因此，他们的注意力很难定位。在本文中，我们利用电子商务网站上丰富的标签信息来定位数据库图像的注意。对于查询图像，我们使用数据库中的每个候选图像作为上下文来定位查询注意力。提出了新的深度卷积神经网络架构，即TagYNet和CtxYNet，以学习注意力权重，然后提取图像的有效表示。在公共数据集上的实验结果表明，该方法在检索精度和效率上都比现有方法有显著的提高。
2017-09-06 cs.CV cs.IR cs.MM
Synthetic Data Powers Product Retrieval for Long-tail Knowledge-Intensive Queries in E-commerce Search
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝和天猫集团）
本文提出一种高效的数据合成框架，用于处理电商搜索中长尾知识密集型查询，通过隐式提炼强大离线查询重写模型的能力，提升检索效果。
2026-04-27 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
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
Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval
Infobip
该研究针对电商目录动态变化问题，提出与商家无关的多轮对话购物助手，核心为自刷新检索器，仅处理目录增量，对话层用LLM做意图分类，演示为WhatsApp购物助手。
2026-08-28 cs.IR
Pre-training Tasks for User Intent Detection and Embedding Retrieval in E-commerce Search
在一般语料库上预训练的BERT风格模型（例如，Wikipedia）和针对特定任务语料库的微调，最近已经成为许多NLP任务中的突破性技术：问答，文本分类，序列标记等。然而，这种技术可能并不总是有效，特别是对于两种情况：包含与一般语料库Wikipedia非常不同的文本的语料库，或者为了特定目的学习嵌入空间分布的任务（例如，近似最近邻搜索）。在本文中，以解决上述两种情况下，我们遇到的工业电子商业搜索系统，我们提出了定制和新的预训练任务的两个关键模块：用户意图检测和语义嵌入检索。微调后的自定义预训练模型小于BERT基础大小的10%，以便对成本有效的CPU服务是可行的，显着改善了其他基线模型：1）没有预训练模型和2）在离线数据集和在线系统上使用一般语料库从官方预训练的BERT微调模型。为了可重复性和未来的工作，我们开放了我们的数据集。
2022-08-22 cs.IR
RAD-DPO: Robust Adaptive Denoising Direct Preference Optimization for Generative Retrieval in E-commerce
Peking University（北京大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
针对生成检索中直接偏好优化的局限性，提出RAD-DPO方法，通过梯度分离保护前缀结构、动态奖励加权缓解标签噪声、全局对比学习扩展正样本覆盖，提升检索精度和训练效率。
2026-04-28 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
Distant-Supervised Slot-Filling for E-Commerce Queries
WalmartLabs（沃尔玛实验室）
槽填充指的是用相应的预期产品特征（产品类型、品牌、性别、尺寸、颜色等）注释查询中的各个术语的任务。然后，这些特征可以由搜索引擎使用，以返回更好地匹配查询的产品意图的结果。用于槽填充的传统方法需要具有地面实况槽注释信息的训练数据的可用性。然而，生成这样的标记数据，特别是在电子商业中，是昂贵且耗时的，因为槽的数量随着新产品的添加而增加。在本文中，我们提出了距离监督的概率生成模型，不需要手动注释。所提出的方法利用现成的历史查询日志和这些查询导致的购买，并利用插槽之间的共现信息，以确定预期的产品特性。我们评估我们的方法，考虑他们如何影响检索性能，以及如何以及他们分类的插槽。在检索方面，我们的方法比Okapi BM 25实现了更好的排名性能（高达156%）。此外，我们的方法，利用同现信息导致更好的性能比一个不检索和插槽分类任务。
2020-12-15 cs.AI cs.IR cs.LG
MRSE: An Efficient Multi-modality Retrieval System for Large Scale E-commerce
Nanyang Technological University (NTU)（南洋理工大学）；National University of Singapore (NUS)（新加坡国立大学）；Shopee
针对单模态检索系统在复杂场景下不可靠及多模态系统忽略个体模态偏好的问题，提出MRSE多模态检索系统，通过轻量级混合专家模块融合文本、图像和用户偏好，并引入混合损失函数，在Shopee数据集上显著提升了离线相关性与在线核心指标。
2024-08-27 cs.CL cs.IR
ICEGR: An Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search
Baidu（百度）；Beihang University（北京航空航天大学）；Renmin University of China（中国人民大学）
本文针对现有电商搜索生成式检索方法的意图一致性问题，提出ICEGR框架，通过三个组件优化后，在离线指标及百度电商搜索A/B测试中均取得显著性能提升。
2026-09-11 cs.IR
GRIT: Graph-based Recall Improvement for Task-oriented E-commerce Queries
本文提出GRIT方法，通过构建商品相似度图并利用邻居节点的语境与动作相关性来改进任务型电商查询的第一阶段召回，在多种检索方法上最高提升6.3%召回率。
2025-02-16 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
Multimodal semantic retrieval for product search
Amazon Luxembourg（亚马逊卢森堡）；Amazon Spain（亚马逊西班牙）
本文面向电商商品搜索构建融合文本与商品图像的多模态表示，并在电商数据集上验证其可提升语义检索的购买召回或相关性准确率。
2025-02-17 cs.IR cs.LG
Text-Guided Visual Representation Learning for Robust Multimodal E-Commerce Recommendation
Tsinghua University（清华大学）
本文提出Text-Guided Q-Former框架，通过结构化元数据指导视觉令牌提取，提升多模态检索的鲁棒性，实验表明其在电子商务数据集上显著提升了检索性能。
2026-05-17 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
A Cascaded Generative Approach for e-Commerce Recommendations
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出级联生成框架，通过主题生成和约束关键词生成提升电商推荐的个性化和语义连贯性，实验显示在页面浏览量下购物车增加率提升2.7%。
2026-05-14 cs.AI cs.IR
Writing Style Matters: An Examination of Bias and Fairness in Information Retrieval Systems
Amadeus（Amadeus公司）
该研究发现信息检索系统中的文本嵌入模型对不同写作风格存在偏见，包括文档、查询及RAG回答风格层面的偏好差异，指出其威胁检索公平性，为公平鲁棒的模型开发提供参考。
2024-12-12 cs.AI cs.IR
AFMRL: Attribute-Enhanced Fine-Grained Multi-Modal Representation Learning in E-commerce
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团）
本文提出AFMRL，通过属性生成任务提升电商细粒度多模态表示学习，结合属性引导对比学习和检索感知属性强化，实现更精准的相似商品检索。
2026-04-22 cs.CL cs.IR
Unified Learning-to-Rank for Multi-Channel Retrieval in Large-Scale E-Commerce Search
Data Sciences, Target Corporation（目标公司数据科学部）
本文提出了一种统一的学习排序模型，用于多通道检索中的大规模电商搜索，通过联合优化点击、加购和购买等指标，提升用户转化率。
2026-03-06 cs.IR
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
OneRetrieval: Unifying Multi-Branch E-commerce Retrieval with an Editable Generative Model
Kuaishou Technology（快手科技）
提出OneRetrieval，一种基于关键词对齐编码的可编辑生成式检索框架，统一多分支检索阶段，在保持倒排索引实时可编辑性的同时实现竞争性召回质量。
2026-06-12 cs.IR
Modeling Product Search Relevance in e-Commerce
Carnegie Mellon University（卡内基梅隆大学）
随着电子商业的快速发展，在线产品搜索已经成为一种流行的和有效的范例，为客户找到所需的产品和从事网上购物。然而，在客户真正希望购买的产品与响应于来自客户的查询而建议的产品的相关性之间仍然存在很大的差距。在本文中，我们提出了一个强大的方法来预测相关性分数给定的搜索查询和产品，使用涉及机器学习，自然语言处理和信息检索技术。我们将传统的信息检索模型（如BM 25和Indri）与深度学习模型（如word2vec、page2vec和paragraph2vec）进行了比较。我们分享一些我们的见解和发现，从我们的实验。
2020-01-14 cs.CL cs.IR cs.LG
Learning Multi-Stage Multi-Grained Semantic Embeddings for E-Commerce Search
从数十亿规模的语料库中检索与用户查询匹配的相关项是工业电子商业搜索系统的核心，基于嵌入的检索（EBR）方法在其中占主导地位。这些方法采用双塔框架分别学习查询和项目的嵌入向量，从而利用高效的近似最近邻（ANN）搜索来检索相关项目。然而，现有的EBR方法通常忽略不一致的用户行为在工业多阶段搜索系统，导致检索效率不足，商业回报低。为了应对这一挑战，我们提出通过学习多级多粒度语义嵌入（MMSE）来改进EBR方法。我们提出了多阶段信息挖掘，利用实际用户行为数据中的有序，点击，未点击和随机抽样项目，然后通过后融合策略捕获查询项目的相似性。然后，我们提出了多粒度的学习目标，将检索损失与全局比较能力和排名损失与局部比较能力相结合，以生成语义嵌入。在真实世界的十亿规模数据集上进行的实验和在线A/B测试都验证了MMSE在离线召回和在线转换率（CVR）等指标上实现显着性能改进的有效性。
2023-03-20 cs.IR
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
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
Towards a simplified ontology for better e-commerce search
查询理解是一种语义搜索方法，它可以将客户搜索查询中的标记分类为诸如产品、品牌等实体。这种方法可以克服词袋方法的局限性，但需要本体。我们发现，目前的本体没有优化搜索，并提出了一个简化的本体框架，专门为电子商业搜索和检索。我们还提出了三种方法自动提取产品类的建议本体，并比较它们的性能相对于彼此。
2018-07-05 cs.IR
