EAGER: Enrich-and-Align Generative Query Recommendation from Clicked Items in E-commerce Search
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对电商查询推荐中现有方法忽视长尾意图和平台知识的问题，提出EAGER两阶段框架，通过富化阶段课程式SFT和对齐阶段GRPO混合奖励，从点击商品生成个性化查询建议，并经离线实验和在线A/B测试验证有效性。
2026-09-09 cs.IR
Learning a Product Relevance Model from Click-Through Data in E-Commerce
搜索引擎在在线电子商业系统中起着基础性的作用，帮助用户从海量的产品集合中找到自己想要的产品。相关性是电子商业搜索的基本要求，因为显示与搜索查询意图不匹配的产品会降低用户体验。由于用户查询语言和产品销售语言之间存在词汇差距，因此需要测量语义相关性，神经网络致力于解决这一任务。然而，语义相关性与点击率预测的不同之处在于没有直接的训练信号可用。以前的大多数尝试都是从廉价而丰富的用户点击数据中学习相关性模型。然而，点击行为具有噪声和误导性，它不仅受到相关性的影响，还受到价格、形象和吸引人的标题等因素的影响。因此，从点击数据中学习相关性模型具有挑战性但很有价值。在本文中，我们提出了一个新的相关性学习框架，专注于如何训练的相关性模型，从点击数据的弱监督。与以往将样本视为相关或不相关的努力不同，我们构建了更细粒度的样本进行训练。我们提出了一种新的方法来考虑不同的相关性置信度的样本，并提出了一个新的训练目标，学习一个强大的相关性模型与理想的分数分布。离线注释数据和在线A/B测试结果表明，该模型具有良好的性能和较高的计算效率。该模型已经在线部署，为淘宝网的搜索流量提供了一年多的服务。
2021-02-14 cs.IR
Modeling Users' Contextualized Page-wise Feedback for Click-Through Rate Prediction in E-commerce Search
Alibaba Group（阿里巴巴集团）；Nanjing University（南京大学）
在个性化搜索和推荐中，对用户的历史反馈进行建模是进行点击率预测的关键。现有的方法通常只对用户的正反馈信息（如点击序列）进行建模，而忽略了反馈的上下文信息。在本文中，我们提出了一个新的视角上下文感知用户的行为建模，包括整个页面明智的暴露产品和相应的反馈作为上下文页面明智的反馈序列。可以捕获页面内上下文信息和页面间兴趣演变，以了解更具体的用户偏好。我们设计了一个新的神经排序模型RACP（即，上下文化页面序列上的循环注意力），其利用页面上下文感知注意力来对页面内上下文进行建模。一个循环的注意力过程被用来模拟跨页面的兴趣收敛的演变，在前一页的兴趣去噪。在公共数据集和真实工业数据集上的实验验证了模型的有效性。
2022-03-29 cs.AI cs.IR
Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation
Alibaba Group（阿里巴巴集团）；The University of Sydney（悉尼大学）；Zhejiang University（浙江大学）
在许多经典的电子商务平台中，个性化推荐已经被证明具有巨大的商业价值，可以提高用户满意度，增加平台的收入。在本文中，我们提出了一个新的推荐问题，触发诱导推荐（TIR），其中用户的即时兴趣可以显式地诱导与触发项目和后续相关的目标项目相应的推荐。TIR在电子商务平台上已经变得无处不在和流行。在本文中，我们指出，虽然现有的推荐模型是有效的，在传统的推荐场景中挖掘用户的兴趣基于他们的大量历史行为，他们是困难的，发现用户的即时兴趣在TIR场景中，由于这些场景之间的差异，导致性能较差。为了解决这个问题，我们提出了一种新的推荐方法命名为深度兴趣突出网络（DIHN）的点击率（CTR）预测TIR场景。它由三个主要部分组成：1）用户意图网络（UIN），它响应于用户意图生成一个精确的概率分数来预测用户对触发项的意图; 2）融合嵌入模块（FEM），它根据UIN的预测自适应地融合触发项和目标项嵌入;（3）混合兴趣提取模块（HIEM），该模块根据FEM的结果，有效地从用户的行为中突出用户的即时兴趣。在真实世界的电子商务平台上进行的广泛的离线和在线评估证明了DIHN优于最先进的方法。
2022-02-21 cs.IR cs.LG
Native Multimodal Representation Learning for Click-Through Rate Prediction in E-Commerce Scenarios
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）；University of Science and Technology of China（中国科学技术大学）
针对现有多模态CTR预测模型两阶段范式的缺陷，本文提出Mine-Then-Train方法，通过挖掘CTR数据的高质量样本微调多模态编码器，提升了模型性能。
2026-09-15 cs.IR
COINS: SemantiC Ids Enhanced COLd Item RepresentatioN for Click-through Rate Prediction in E-commerce Search
Kuaishou Inc.（快手公司）
COINS通过融合语义ID的协同信息与内容信息，提升冷启动物品的点击率预测精度，实现电商搜索的多样性与推荐效果的双重提升。
2026-01-15 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
Adversarial Multimodal Representation Learning for Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）
为了更好地提高用户体验和企业效益，点击率预测一直是电子商务中最重要的任务之一。虽然已经提出了广泛的CTR预测模型，学习良好的表示项目的多模态功能仍然很少研究，考虑到一个项目在电子商务中通常包含多个异构模态。以往的研究要么是将多个模态特征串联起来，相当于给每个模态赋予一个固定的重要性权重;要么是通过注意力机制等技术学习不同模态对不同项目的动态权重。然而，问题是，通常存在跨多个模态的公共冗余信息。通过使用冗余信息计算的不同模态的动态权重可能不能正确地反映每个模态的不同重要性。为了解决这个问题，我们探讨的互补性和冗余的模态考虑模态特定的和模态不变的功能不同。我们提出了一种新的多模态对抗表示网络（MARN）的CTR预测任务。多模态注意力网络首先根据每个项目的模态特定特征计算多个模态的权重。然后，多模态对抗网络学习模态不变表示，其中引入了双鉴别器策略。最后，我们实现了多模态项表示结合模态特定和模态不变的表示。我们在公共数据集和工业数据集上进行了广泛的实验，所提出的方法始终实现了对最先进方法的显着改进。此外，该方法已部署在一个业务的电子商务系统和在线A/B测试进一步证明了有效性。
2020-03-07 cs.IR cs.LG stat.ML
Modeling Attractiveness and Multiple Clicks in Sponsored Search Results
Microsoft Bing Ads（微软必应广告）；Purdue University（普渡大学）
点击模型是用于利用用户反馈的重要工具，并且被商业搜索引擎用于显现相关搜索结果。然而，现有的点击模型缺乏两个方面。首先，在计算吸引力时，它们不会在搜索结果中共享信息。其次，他们假设用户按顺序与搜索结果交互。基于我们对商业搜索引擎的点击日志的分析，我们观察到顺序扫描假设并不总是成立的，特别是对于赞助商的搜索结果。为了克服上述两个局限性，我们提出了一个新的点击模型。我们的关键见解是，在搜索结果中共享信息有助于识别重要的单词或关键短语，然后可以用来准确计算搜索结果的吸引力。此外，我们认为，点击概率的位置，以及其吸引力的变化，在用户会话，并取决于用户过去的点击经验。我们的模型无缝地结合了外部性（响应用户查询显示的其他搜索结果的质量），用户疲劳，以及前和后点击赞助搜索结果的相关性的影响。我们提出了一个有效的一遍推理方案，并通过大量的实验，使用大型商业搜索引擎的点击日志经验评估我们的模型的性能。
2014-01-01 cs.IR cs.LG
On Application of Learning to Rank for E-Commerce Search
University of Illinois Urbana-Champaign (UIUC)（伊利诺伊大学厄巴纳-香槟分校）；WalmartLabs（沃尔玛实验室）
电子商业（E-Com）搜索是信息检索的一个新兴的重要应用。学习排序（LETOR）是优化搜索引擎的通用有效策略，也是电子商务搜索的关键技术。虽然LETOR用于网络搜索已经得到了很好的研究，但它用于电子商务搜索还没有得到很好的探索。在本文中，我们讨论了实际的挑战，应用学习排序方法，电子商务搜索，包括在功能表示的挑战，获得可靠的相关性判断，并最佳地利用多个用户反馈信号，如点击率，添加到购物车的比率，订单率和收入。我们研究这些新的挑战，使用行业数据集上的实验，并报告了几个有趣的发现，可以提供指导如何最佳地应用LETOR电子商务搜索：首先，基于流行的功能定义的产品项目是非常有用的，LETOR方法能够有效地优化其组合与相关性为基础的功能。其次，查询属性稀疏性对LETOR提出了挑战，选择特征来减少/避免稀疏性是有益的。第三，虽然众包通常是有用的，为Web搜索获得相关性判断，它不工作，以及电子商务搜索由于难以引起足够细粒度的相关性判断。最后，在多个反馈信号中，订单率被发现是最稳健的训练目标，其次是点击率，而添加到购物车的比例似乎最不稳健，这表明一个有效的实用策略可能是最初使用点击率进行训练，并逐渐转移到使用订单率，因为它们变得可用。
2019-03-01 cs.IR cs.LG stat.ML
Did We Get It Right? Predicting Query Performance in E-commerce Search
在本文中，我们解决的问题，评估是否由电子商业搜索引擎的查询结果是好还是不好。这是评估任何电子商业搜索引擎的关键问题。虽然这个问题是传统上回答使用简单的指标，如查询点击率（CTR），我们观察到，在电子商业搜索，这样的指标可能是误导。在检查时，我们发现CTR高但结果差的情况，反之亦然。类似的情况也存在其他指标，如点击时间，这也经常用于评估搜索引擎。我们的目标是了解质量的结果服务的搜索引擎的基础上，用户的互动与结果。虽然这个问题已经在网络搜索环境中进行了研究，但据我们所知，这是第一次对电子商业搜索进行研究。尽管与评估网络搜索引擎有某些共性，但也有几个主要的差异，例如搜索失败的根本原因，以及丰富的用户与产品交互数据的可用性（例如将产品添加到购物车）。我们研究了来自Flipkart搜索引擎的大规模用户交互日志，分析了行为模式，并建立了基于用户行为信号对查询进行分类的模型。我们证明了这种模型在准确预测查询性能的可行性和有效性。我们的分类器能够在保持的测试集上实现0.75的平均AUC。
2018-08-01 cs.IR
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
Behavior Sequence Transformer for E-commerce Recommendation in Alibaba
Alibaba Search\&Recommendation Group Beijing\&Hangzhou China；Alibaba Search\&Recommendation Group
基于深度学习的方法已广泛用于工业推荐系统（RS）中。以前的作品采用嵌入和MLP范式：原始特征嵌入到低维向量中，然后将其输入到MLP中进行最终推荐。然而，大多数这些作品只是连接不同的功能，忽略了用户行为的连续性。在本文中，我们提出使用强大的Transformer模型来捕获用户的行为序列的序列信号在阿里巴巴的推荐。实验结果证明了该模型的优越性，并将其部署在淘宝网上，与两个基线相比，在线点击率（CTR）得到了显著提高。
2019-05-15 cs.IR cs.LG
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
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
Soft Frequency Capping for Improved Ad Click Prediction in Yahoo Gemini Native
Yahoo Research（雅虎研究院）；Tech Yahoo（雅虎科技）
本文针对 Yahoo Gemini Native 中广告疲劳导致 CTR 下降的问题，在 OFFSET 模型中加入可学习的用户-广告频次特征，提出 SFC，线上收入提升 7.3%。
2023-12-08 cs.IR cs.LG
Scaling Dense Retrieval with LLM-Annotated Training Data: Structured Mining and Progressive Curriculum for E-Commerce Sponsored Search
Walmart Global Tech（沃尔玛全球科技）
针对电商搜索中点击信号偏差和人工标注成本高的问题，提出利用多通道检索挖掘、校准的LLM级联标注和五级渐进式课程训练，在Walmart搜索中实现NDCG@10提升5.1%，尾查询提升显著。
2026-06-24 cs.IR
SIGIR 2021 E-Commerce Workshop Data Challenge
2021年SIGIR电子商务研讨会将举办Coveo数据挑战赛，以“购买意向和建议的会话预测”。这一挑战解决了在购物会话范围内对可靠预测的日益增长的需求，因为客户的意图可能会因场合而异。如果我们更广泛地考虑电子商业的前景，对个性化的有效程序的需求就更加明显了：在大型数字零售商之外，由于用户群较小，并且认识到大多数用户并不经常回头客，因此问题的约束更加严格。我们发布了一个新的基于会话的数据集，包括超过3000万个细粒度的浏览事件（产品详细信息，添加，购买），通过语言行为（购物者进行的查询，查询后点击和未点击的项目）和目录元数据（图像，文本，定价信息）进行丰富。在这个数据集上，我们要求参与者展示两个开放问题的创新解决方案：推荐任务（在会话开始时向模型显示一些事件，并要求其预测未来的产品交互）;意图预测任务，其中向模型显示包含添加到购物车事件的会话，并要求其预测该项目是否会在会话结束前被购买。
2021-07-16 cs.IR
On the Impact of Outlier Bias on User Clicks
该研究识别出排序中离群点条目带来的用户点击偏差，提出同时考虑离群点偏差与位置偏差的OPBM点击模型，经实验验证其在排序性能和相关性估计上优于基线模型。
2023-05-01 cs.IR
REVISION:Reflective Intent Mining and Online Reasoning Auxiliary for E-commerce Visual Search System Optimization
提出REVISION框架，通过整合离线推理挖掘与在线决策，优化电商视觉搜索系统，提升意图挖掘效率并降低无点击率。
2026-03-04 cs.AI cs.CL cs.IR
Understanding Echo Chambers in E-commerce Recommender Systems
个性化推荐有利于用户有效地访问感兴趣的内容。目前推荐系统的研究主要集中在基于用户兴趣的推荐上。然而，在理解推荐如何影响用户偏好和行为方面缺少重大努力，例如，建议是否以及如何产生\textit{echo chambers}。在审查在线媒体和社会网络系统中的这一现象方面作出了广泛的努力。与此同时，越来越多的人担心，推荐系统可能会导致用户的兴趣，由于缩小曝光的项目，这可能是回声室的潜在原因自我加强。在本文中，我们的目的是分析回声室现象在阿里巴巴淘宝-一个最大的电子商业平台在世界上。回音室是指通过重复接触类似内容来加强用户兴趣的效果。基于这个定义，我们分两步来检验回声室的存在。首先，我们探讨用户的兴趣是否得到了加强。第二，我们检查强化是否来自类似内容的暴露。我们的评估增强了强大的指标，包括聚类有效性和统计显著性。实验是在大量的真实世界数据上进行的，这些数据包括用户点击、购买和浏览阿里巴巴淘宝的日志。有证据表明，用户点击行为中的回声室倾向，而用户购买行为中的回声室倾向相对减轻。从结果的见解指导在现实世界的电子商业系统中的推荐算法的改进。
2020-07-06 cs.IR cs.SI
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
OneBar: An End-to-End Content-Grounded Generative Query Recommendation Framework for E-Commerce Video Feeds
Zhejiang University（浙江大学）；Kuaishou Technology（快手科技）
提出OneBar框架，通过协同多模态意图对齐、统一端到端架构和渐进偏好学习，解决短视频平台查询推荐中的延迟和偏好漂移问题，显著提升查询曝光和点击。
2026-06-16 cs.IR
End-to-End User Behavior Retrieval in Click-Through RatePrediction Model
Alibaba Group（阿里巴巴集团）
点击率预测是推荐系统的核心任务之一。它预测每个用户-项目对的个性化点击概率。近年来，研究人员发现，考虑用户行为序列，特别是长期用户行为序列，可以大大提高CTR模型的性能。某电子商务网站的报告显示，23%的用户在过去5个月内的点击量超过1000次。虽然有大量的工作集中在建模连续的用户行为，很少有工作可以处理长期的用户行为序列，由于严格的推理时间限制，在现实世界的系统。提出了两阶段方法来推动极限以获得更好的性能。在第一阶段，设计了一个辅助任务，用于从长期用户行为序列中检索前$k$相似项。在第二阶段，经典注意力机制在候选项目和第一阶段中选择的$k$项目之间进行。然而，在检索阶段和主要的CTR任务之间存在信息差。这种目标偏离会大大降低长期用户序列的性能增益。本文受Reformer的启发，提出了一种局部敏感哈希（LSH）方法ETA（End-to-end Target Attention），该方法可以大大降低训练和推理的代价，使长时间用户行为序列的端到端训练成为可能。离线和在线实验都证实了我们模型的有效性。我们将ETA部署到一个大规模的真实世界的电子商务系统中，并实现了额外的3.1%的GMV（总销售价值）相比，两个阶段的长用户序列CTR模型。
2021-08-10 cs.AI cs.IR
Large-scale Causal Approaches to Debiasing Post-click Conversion Rate Estimation with Multi-task Learning
University of California, Los Angeles（加州大学洛杉矶分校）；Alibaba Group（阿里巴巴集团）；Columbia University（哥伦比亚大学）
点击后转化率（CVR）估计是电子商务推荐系统中的一项关键任务。这个任务在工业环境下被认为是相当具有挑战性的，有两个主要问题：1）由用户自我选择引起的选择偏差，以及2）由于罕见的点击事件引起的数据稀疏。成功的转换通常具有以下顺序事件：“曝光->点击->转换”。传统的CVR估计器是在点击空间中训练的，但推理是在整个曝光空间中完成的。他们没有考虑到缺失数据的原因，并将其视为随机缺失。因此，他们的估计很可能与实际价值大不相同。此外，数据稀疏性问题也会阻碍许多工业CVR估计，通常有大的参数空间。在本文中，我们提出了两个原则性的，高效的和高度有效的CVR估计工业CVR估计，即多IPW和多DR。所提出的模型接近CVR估计从因果关系的角度来看，并占的原因，失踪不是随机的。此外，我们的方法是基于多任务学习框架和减轻数据稀疏性问题。工业级数据集上的大量实验表明，我们的方法优于最先进的CVR模型。
2020-04-04 cs.IR cs.LG
Multi-Modality Transformer for E-Commerce: Inferring User Purchase Intention to Bridge the Query-Product Gap
Kennesaw State University（肯尼索州立大学）；The Home Depot, Inc（家得宝公司）
本文提出多模态Transformer模型PINCER，利用点击流和产品目录数据将用户查询转为伪产品表示，以推断购买意图，实验证明其优于现有方法。
2025-01-21 cs.AI cs.IR cs.LG
Query Rewriting via Cycle-Consistent Translation for E-Commerce Search
JD.com Silicon Valley Research Center（京东硅谷研究中心）
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。当今电子商业搜索中的一个关键挑战是语义匹配问题，其中相关项目可能不包含用户查询中的确切术语。在本文中，我们提出了一种新的基于深度神经网络的查询重写方法，以解决这个问题。具体来说，我们制定查询重写成一个循环的机器翻译问题，利用丰富的点击日志数据。然后，我们引入了一种新的循环一致性训练算法，结合最先进的机器翻译模型，以实现查询重写精度方面的最佳性能。为了使其在工业场景中实用，我们优化了语法树的构造，以减少计算成本和在线服务延迟。离线实验表明，该方法能够将硬用户查询重写为更适合倒排索引检索的标准查询。与基于人工规则的方法相比，该模型在保持良好相关性的同时，显著提高了查询重写的多样性。在线A/B实验表明，它提高了核心电子商业业务指标显着。自2020年夏季以来，该模型已被引入我们的搜索引擎生产中，为数亿用户提供服务。
2021-05-28 cs.IR cs.LG
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
GIFT: Graph-guIded Feature Transfer for Cold-Start Video Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
短视频在过去几年中在淘宝等电子商务平台上快速增长。为了保证内容的新鲜度，平台每天都需要发布大量的新视频，这使得传统的点击率（CTR）预测方法受到项目冷启动问题的困扰。在本文中，我们提出了GIFT，一个有效的图形引导的特征转移系统，充分利用丰富的信息预热视频，以补偿冷启动的。具体来说，我们建立了一个异构的图形，包含物理和语义的联系，以指导功能转移过程中，从热身视频冷启动视频。物理链接表示明确的关系，而语义链接测量两个视频的多模态表示的接近度。我们精心设计了特征传递函数，以了解不同类型的传递特征（例如，ID表示和历史统计）。我们在一个大的真实数据集上进行了大量的实验，结果表明，我们的GIFT系统显著优于SOTA方法，并在淘宝App的主页上带来了6.82%的点击率提升。
2022-09-13 cs.IR cs.LG
A unified Neural Network Approach to E-CommerceRelevance Learning
结果相关性评分对电子商务搜索用户体验至关重要。传统的信息检索方法侧重于关键词匹配和手工或基于计数的数字特征，对项目语义相关性的理解有限。我们描述了一个高度可扩展的前馈神经模型，为（查询，项目）对提供相关性得分，仅使用用户查询和项目标题作为特征，用户点击反馈以及有限的人类评级作为标签。应用了几个一般的增强来进一步优化评估/测试指标，包括Siamese成对架构，随机批量负协同训练和逐点微调。我们发现，在独立构建的评级数据集上，GBDT基线以及几个现成的深度学习基线有了显着的改进。GBDT模型依赖于10倍以上的功能。我们还提出了上述技术的选择子集组合的指标。
2021-04-26 cs.IR
Click-Conversion Multi-Task Model with Position Bias Mitigation for Sponsored Search in eCommerce
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Walmart eCommerce（沃尔玛电商）；Indeed
针对电子商务赞助搜索中位置偏差导致CTR和CVR预测不公平的问题，提出了基于概率分解的PACC模型和基于位置嵌入的PACC-PE模型，有效缓解了位置偏差并提升了排序效果。
2023-07-29 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
Understanding User Behavior in Carousel Recommendation Systems for Click Modeling and Learning to Rank
针对轮播推荐系统缺乏点击模型和排序学习研究的问题，本文提出通过眼动追踪用户研究构建公开数据集，以揭示浏览行为并推动新点击模型与学习排序方法的发展。
2023-07-04 cs.HC cs.IR
Heterogeneous Network Embedding for Deep Semantic Relevance Match in E-commerce Search
Tianjin University（天津大学）
结果相关性预测是电子商业搜索引擎的一项重要任务，它可以提高搜索引擎的实用性，保证用户体验的流畅性。在过去的几年里，人们目睹了一系列关于使用Transformer风格模型和深度文本匹配模型来提高相关性的研究。然而，这两种类型的模型忽略了固有的二分网络结构，是无处不在的电子商业搜索日志，使这些模型无效。本文提出了一种新的二阶相关性，这是从根本上不同于以前的一阶相关性，以提高结果的相关性预测。本文首次设计了一个端到端的一阶和二阶相关性预测模型，用于电子商业商品的相关性分析。该模型通过使用用户行为反馈（包括点击和购买）的信息构建的二分网络的邻域结构来增强。为了确保边缘准确地编码相关信息，我们引入了从BERT生成的外部知识来细化用户行为网络。这允许新模型集成来自邻近项和查询的信息，这些信息与所考虑的焦点查询项对高度相关。离线实验结果表明，新模型在人类相关性判断方面显著提高了预测精度。消融研究表明，一阶和二阶模型比一阶模型获得了4.3%的平均增益。在线A/B测试的结果显示，与基础模型相比，新模型获得了更多的商业利益。
2021-01-13 cs.IR cs.LG
Click-aware purchase prediction with push at the top
从购买记录中获取用户偏好以执行购买预测是具有挑战性的，因为没有明确地观察到负面反馈，并且因为将所有未购买的物品同等地视为负面反馈是不现实的。因此，在这项研究中，我们提出了一个框架，利用用户过去的点击记录来弥补购买记录中缺失的用户-项目交互，即，非购买物品。我们首先制定各种模型的假设，每一个假设不同的顺序购买，点击，但不购买，和非点击项目的用户偏好，研究利用点击记录的有用性。我们使用贝叶斯个性化排名模型实现模型假设，该模型最大化了二分排名的曲线下面积。然而，我们认为，使用点击记录的二分排名需要一个精心设计的模型，因为相对不可靠的点击记录相比，购买记录。因此，我们最终提出了一种新的学习排名方法，称为P3 Stop，用于执行购买预测。建议的模型是定制的相对不可靠的点击记录，特别是专注于排名靠前的项目的准确性是强大的。在两个真实的电子商务数据集上的实验结果表明，P3 STop的性能大大优于最先进的隐式反馈推荐方法，特别是对排名靠前的项目。
2020-05-29 cs.IR
MOEF: Modeling Occasion Evolution in Frequency Domain for Promotion-Aware Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）；The University of Sydney（悉尼大学）
促销活动在电子商务中变得越来越重要和普遍，以吸引客户并促进销售，导致场合频繁变化，这促使用户采取不同的行为。在这种情况下，大多数现有的点击率（CTR）模型不能很好地推广到在线服务，由于即将到来的场合分布的不确定性。在本文中，我们提出了一种新的CTR模型命名为MOEF频繁变化的情况下的建议。首先，我们设计了一个时间序列，由在线业务场景产生的场合信号。由于场合信号在频域中更具鉴别力，我们将傅立叶变换应用于时间序列上的滑动时间窗口，获得频谱序列，然后通过场合演化层（OEL）进行处理。通过这种方式，可以学习高阶场合表示来处理在线分布不确定性。此外，我们采用多个专家学习的特征表示，从多个方面，这是通过注意力机制的场合表示的指导。因此，对于不同的场合自适应地获得特征表示的混合以预测最终CTR。在真实数据集上的实验结果验证了MOEF的优越性，在线A/B测试也表明MOEF明显优于典型的CTR模型。
2023-03-30 cs.IR cs.LG
On Predicting Post-Click Conversion Rate via Counterfactual Inference
Naver Corp.（纳维尔公司）；Seoul National University（首尔国立大学）
针对点击样本稀疏导致的CVR预测偏差问题，提出基于因果反事实推理的ESCIM模型，通过为未点击样本生成反事实转化标签扩充训练数据，在公开数据集和真实场景A/B测试中均取得更优效果。
2025-10-06 cs.AI cs.IR cs.LG
Session-aware Information Embedding for E-commerce Product Recommendation
现有的推荐系统大多假设用户的访问历史可以被持续记录。然而，在最近的在线服务中，用户标识通常可能是未知的，并且只能使用有限的在线用户行为。对用户的时间行为进行建模，并对匿名用户进行推荐具有重要意义。在本文中，我们提出了一个列表式的深度神经网络为基础的架构，在每个会话中的有限的用户行为建模。为了有效地训练模型，我们首先设计了一个会话嵌入方法来预训练一个会话表示，它包含了不同类型的用户搜索行为，如点击和查看。基于学习的会话表示，我们进一步提出了一个列表式的排名模型来生成每个匿名用户会话的推荐结果。我们对一家电子商业公司最近发布的数据集进行了定量实验。评估结果验证了所提出的方法的有效性，它可以显着优于最先进的。
2017-11-20 cs.IR
ChorusCVR: Chorus Supervision for Entire Space Post-Click Conversion Rate Modeling
针对CVR估计中训练与推理样本空间不一致的问题，提出ChorusCVR模型，通过合唱监督区分模糊负样本与事实负样本，实现全空间无偏CVR学习，提升模型鲁棒性。
2025-02-14 cs.IR cs.SI
CTR is not Enough: a Novel Reinforcement Learning based Ranking Approach for Optimizing Session Clicks
针对传统CTR排序方法忽略用户离开、不适配会话点击优化的问题，提出CTE长期优化目标及强化学习排序模型，经离线和淘宝线上实验验证可有效提升性能。
2023-08-27 cs.IR
Entire Space Multi-Task Modeling via Post-Click Behavior Decomposition for Conversion Rate Prediction
Alibaba Group（阿里巴巴集团）；The University of Sydney（悉尼大学）
推荐系统作为现代电子商务的重要组成部分，由点击率（CTR）和转化率（CVR）预测两个基本模块组成。虽然CVR对购买量有直接影响，但由于样本选择偏差（SSB）和数据稀疏性（DS）问题，其预测是众所周知的挑战。虽然现有的方法，通常建立在用户顺序行为路径"印象$\to$点击$\to$购买“，是有效的处理SSB问题，他们仍然难以解决DS问题，由于罕见的购买训练样本。观察到用户总是采取几个购买相关的行动后，点击，我们提出了一个新的想法后点击行为分解。具体地，在点击和购买之间并行地插入不相交的购买相关确定性动作（DAction）和其他动作（OAction），形成新颖的用户顺序行为图"印象$\to$点击$\to$ D（O）动作$\to$购买“。在此图上定义模型能够利用整个空间上的所有印象样本和来自D（O）Action的额外丰富的监督信号，这将有效地解决SSB和DS问题。为此，我们设计了一个新的深度推荐模型命名为精心设计的整个空间监督多任务模型（$ESM^{2}$）。根据图上定义的条件概率规则，采用多任务学习并行预测分解的子目标，并将其依次组合，形成最终的CVR。在离线和在线环境下进行的大量实验表明，$ESM^{2}$优于最先进的模型。将发布源代码和数据集。
2020-06-10 cs.IR cs.LG stat.ML
Contextual User Browsing Bandits for Large-Scale Online Mobile Recommendation
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
在线推荐服务向用户推荐多种商品。如今，相当比例的用户通过移动设备访问电子商务平台。由于移动设备的屏幕尺寸有限，商品的位置对点击有很大的影响：1）位置越高，一个商品的点击就越多。2)“伪曝光”问题：第一眼只显示了几个推荐项目，用户需要滑动屏幕才能浏览其他项目。因此，一些排名靠后的推荐项目不会被用户查看，将这类项目视为负样本是不恰当的。虽然许多工作模型的在线推荐作为上下文强盗问题，他们很少考虑到的影响的立场，因此，估计的奖励函数可能会有偏差。在本文中，我们旨在解决这两个问题，以提高性能的在线移动推荐。我们的贡献是四方面的。首先，由于我们关注的是一组推荐项目的奖励，我们将在线推荐建模为上下文组合强盗问题，并定义了推荐集的奖励。其次，我们提出了一种新的上下文组合强盗方法称为UBM-LinUCB解决两个问题，通过采用用户浏览模型（UBM），点击网络搜索模型的位置。第三，我们提供了一个正式的遗憾分析，并证明我们的算法实现次线性遗憾的项目数无关。最后，我们评估我们的算法在两个真实世界的数据集由一个新的无偏估计。淘宝网是世界上最受欢迎的电子商务平台之一。两个CTR指标上的实验结果表明，该算法优于其他上下文强盗算法。
2020-08-21 cs.IR cs.LG
An Ensemble-based Approach to Click-Through Rate Prediction for Promoted Listings at Etsy
Etsy是一个全球性的市场，世界各地的人们可以在这里制造、购买和销售独特的商品。Etsy的卖家可以通过类似于传统赞助搜索广告的广告活动来推广他们的产品列表。点击率（CTR）预测是在线搜索广告系统的组成部分，其中它被用作拍卖的输入，拍卖确定针对每个查询向特定用户推荐的列表的最终排名。在本文中，我们提供了一个整体的视图Etsy的推广上市的CTR预测系统，并提出了一个集成学习方法，这是基于历史或行为信号的旧上市以及基于内容的功能，为新上市。我们利用最先进的深度学习技术从文本和图像中获取表示，并采用多模态学习来组合这些不同的信号。我们将该系统与Etsy的大规模真实世界数据集上的非平凡基线进行了比较，证明了该模型的有效性以及离线实验与在线性能之间的强相关性。本文也是第一次在电子商务背景下对此类产品进行技术综述。
2017-11-21 cs.IR
A Novel Behavior-Based Recommendation System for E-commerce
Shomal University（沙马尔大学）；Babol Noshirvani University of Technology（巴博勒诺希尔瓦尼理工大学）
针对传统推荐系统依赖评分导致的协作缺乏和稀疏性问题，提出一种基于客户浏览和点击行为的电子商务推荐系统，通过基于产品类别的无监督聚类和邻域确定方法提升推荐准确性，在阿里巴巴数据集上优于基准方法。
2024-03-27 cs.AI cs.HC cs.IR
Deep Interest Evolution Network for Click-Through Rate Prediction
Alibaba Inc（阿里巴巴集团）
点击率预测是广告系统的核心任务之一，其目标是估计用户点击的概率。对于点击率预测模型，需要捕捉用户行为数据背后潜在的用户兴趣。此外，考虑到外部环境和内部认知的变化，用户兴趣随时间动态演化。兴趣建模的点击率预测方法有多种，但大多数都是直接将行为的表现形式看作兴趣，缺乏对具体行为背后潜在兴趣的专门建模。此外，很少有研究考虑到利益的变化趋势。在本文中，我们提出了一种新的模型，命名为深度兴趣进化网络~（DIEN），点击率预测。具体来说，我们设计了兴趣提取器层，从历史行为序列中捕获时间兴趣。在这一层，我们引入了一个辅助损失来监督每一步的利息提取。由于用户兴趣的多样性，特别是在电子商务系统中，我们提出的兴趣进化层捕捉的兴趣演变过程，是相对于目标项目。在利益演化层，注意机制被新颖地嵌入到序列结构中，在利益演化过程中强化了相对利益的作用。在公共和工业数据集上的实验中，DIEN的性能明显优于最先进的解决方案。值得注意的是，DIEN已经部署在淘宝的展示广告系统中，并获得了20.7%的CTR提升。
2018-11-16 cs.IR cs.LG stat.ML
Improving Visual Recommendation on E-commerce Platforms Using Vision-Language Models
Mercari, Inc.（Mercari公司）
本研究通过微调视觉语言模型SigLIP，在Mercari平台上实现了视觉相似商品推荐，离线nDCG@5提升9.1%，在线点击率提升50%，转化率提升14%，验证了VLM编码器的有效性。
2025-10-15 cs.CV 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
RARe: Raising Ad Revenue Framework with Context-Aware Reranking
本文提出RARe框架，通过堆叠点击模型与重排序模型，并引入两种上下文感知点击模型GBDT-C和SAINT-Q，在保持搜索结果高相关性的同时显著提升广告收入。
2025-02-15 cs.IR
Event-based Product Carousel Recommendation with Query-Click Graph
针对事件型商品轮播推荐缺乏真实标签的问题，提出基于查询-点击二部图的迭代聚类方法，推断事件相关方面并利用点击率生成推荐，实验验证其有效性。
2024-02-05 cs.IR
Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction
New York University（纽约大学）；Alibaba Youku Cognitive and Intelligent Lab（阿里巴巴优酷认知与智能实验室）
跨领域推荐系统是解决冷启动和稀疏性问题的一种有效方法，它可以在多个类别域之间聚合和传递用户偏好。因此，它有很大的潜力，以提高点击率预测性能的在线商务平台，具有许多领域的产品。虽然已经提出了几种跨域顺序推荐模型来利用来自源域的信息来改善目标域中的CTR预测，但是它们没有考虑跨源-目标域对的用户偏好的双向潜在关系。因此，它们不能同时为两个域提供增强的跨域CTR预测。在本文中，我们提出了一种新的方法，跨域顺序推荐的基础上的双重学习机制，同时在两个相关的域之间的信息，以迭代的方式，直到学习过程稳定。特别是，提出的双注意顺序学习（DASL）模型由两个新的组件双嵌入和双注意，共同建立两个阶段的学习过程：我们首先构建双潜在嵌入，同时提取用户在两个领域的偏好，随后通过双注意学习机制，通过匹配提取的潜在嵌入与候选项提供跨域的建议。我们在三个真实世界的数据集上进行了广泛的离线实验，以证明我们提出的模型的优越性，该模型在所有实验设置中显著且一致地优于几个最先进的基线。我们还在一个主要的视频流媒体平台阿里巴巴-优酷进行了在线A/B测试，我们提出的模型在公司最新的生产系统上显着提高了业务性能。
2021-06-05 cs.IR cs.LG
Adaptively Optimize Content Recommendation Using Multi Armed Bandit Algorithms in E-commerce
The Home Depot（家得宝）
电子商业网站努力为用户提供最及时的相关信息，以减少购物摩擦，提高客户满意度。多臂强盗模型（MAB）作为一种自适应优化算法提供了可能的途径。在本文中，我们分析了使用三个经典的MAB算法，ε-贪婪，汤普森采样（TS），和上置信界1（UCB 1）的动态内容推荐，走查内部开发这些算法的过程来解决一个真实的世界电子商业用例。首先，我们分析了三个MAB算法使用模拟购买数据集与非平稳的奖励分布，以模拟可能随时间变化的客户偏好，其中的流量分配动态和不同算法的累积奖励进行了研究。第二，我们使用实际的历史A/B测试数据集，比较了三种MAB算法的累积回报与超过1,000次试验。我们发现，竞争推荐的成功率之间的差异越大，MAB算法可以实现的累积奖励就越多。此外，我们还发现在不同的测试场景下，TS的平均累积奖励最高。第三，我们开发了一种批量更新的MAB算法，以克服电子商业中的延迟奖励问题，并在我们的应用程序主页上实现在线内容优化。为了进行最先进的比较，在我们的批量更新的MAB算法，第三方MAB解决方案和默认业务逻辑之间进行了真正的A/B测试。结果表明，我们的批量更新的MAB算法优于同行，并实现了6.13%的相对点击率（CTR）增加和16.1%的相对转换率（CVR）增加相比，默认的经验，和2.9%的相对CTR增加和1.4%的相对CVR增加相比，外部MAB服务。
2021-08-19 cs.AI cs.IR cs.LG
Click-Through Rate Prediction Using Graph Neural Networks and Online Learning
Stanford University（斯坦福大学）；Google LLC（谷歌有限责任公司）
推荐系统在过去已经被许多文献广泛研究，并且在在线广告、购物行业/电子商务、搜索引擎中的查询建议以及社交网络中的朋友推荐中无处不在。此外，餐厅/音乐/产品/电影/新闻/应用程序推荐只是推荐系统的几个应用程序。CTR预测准确性的一个小百分比的改进已经被提到为广告行业增加数百万美元的收入。点击率预测是推荐系统的一个特殊版本，其目标是预测用户是否会点击推荐项目。基于内容的推荐方法考虑用户行为的过去历史，即推荐的产品和用户对它们的反应。因此，在正确的时间将正确的项目推荐给正确的用户的个性化模型是构建这样一个模型的关键。另一方面，所谓的协同过滤方法结合了与特定用户非常相似的用户的点击历史，从而通过利用在连接的用户网络中分享他们的品味的用户的更广泛的知识来帮助推荐器为该特定用户提出更自信的预测。在这个项目中，我们有兴趣建立一个CTR预测器使用图神经网络补充的在线学习算法，模拟这种动态的相互作用。通过将问题框定为二进制分类任务，我们使用由10，000个数据点组成的Criteo公共数据集的子采样版本，在测试AUC为0.7417的离线模型（GNN，深度因子分解机）和测试AUC为0.7585的在线学习模型上评估了该系统。
2021-05-09 cs.AI cs.IR cs.LG
AIGQ: An End-to-End Hybrid Generative Architecture for E-commerce Query Recommendation
Taobao \& Tmall Group of Alibaba Hangzhou China；University of Electronic Science；Taobao \& Tmall Group of Alibaba
AIGQ通过端到端生成框架解决电商查询推荐中的语义浅层、冷启动差和偶然性问题，采用兴趣感知列表监督微调和兴趣感知列表组相对策略优化，提升查询相关性和列表属性。
2026-03-20 cs.AI cs.IR
DCEO: Direct Causal Effect Optimization for Long-Term User Value Modeling in E-commerce Search
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）
本文针对电商搜索中长期用户价值建模的粒度对齐问题，提出DCEO框架，通过演员-评论家结构优化相对因果效应，在线A/B测试中GMV较传统方案提升0.36%。
2026-08-27 cs.IR cs.LG
