IntentionQA: A Benchmark for Evaluating Purchase Intention Comprehension Abilities of Language Models in E-commerce
Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程学院）；Amazon.com Inc（亚马逊公司）
本文提出 IntentionQA 基准，通过双任务多选题评估语言模型在电商中推断购买意图并预测额外购买的能力，实验表明现有模型与人类表现仍有较大差距。
2024-09-30 cs.CL
Find Someone Who: Visual Commonsense Understanding in Human-Centric Grounding
Columbia University（哥伦比亚大学）；University of California, Los Angeles（加州大学洛杉矶分校）
从包含多个人的视觉场景中，人类能够区分每个人，给出关于之前发生的事情，他们的精神/身体状态或意图等的上下文描述。例如，如果要求识别图像中“需要治疗的人”，我们首先需要知道他们通常有受伤或痛苦的表情，然后找到相应的视觉线索，最后才能将人接地气。我们提出了一个新的常识任务，以人为中心的常识接地，测试模型的能力，地面个人的上下文描述之前发生了什么，他们的精神/身体状态或意图。我们进一步创建了一个基准，HumanCog，一个数据集，其中有13万个接地常识描述注释在67 k个图像上，涵盖了各种类型的常识和视觉场景。我们建立了一个上下文对象感知的方法作为一个强大的基线，它优于以前的预训练和非预训练模型。进一步的分析表明，丰富的视觉常识和多模态常识的强大整合是必不可少的，这对未来的工作有启发意义。数据和代码将在https://github.com/Hxyou/HumanCog上提供。
2022-12-14 cs.CL cs.CV
Going beyond research datasets: Novel intent discovery in the industry setting
Allegro（Allegro 公司）
本文针对工业场景中真实数据集，提出利用领域内预训练及对话结构（Conv）微调方法，提升新意图发现性能，较CDAC模型提升高达33个百分点。
2023-05-09 cs.CL cs.LG
EcomEdit: An Automated E-commerce Knowledge Editing Framework for Enhanced Product and Purchase Intention Understanding
Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程学系）
本文首次将知识编辑引入电子商务领域，提出自动化框架ECOMEDIT，利用强LLM评判和概念化方法提升模型对产品描述与购买意图的理解及下游任务表现。
2024-10-18 cs.CL
"Let Your Characters Tell Their Story": A Dataset for Character-Centric Narrative Understanding
University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Chicago（芝加哥大学）；Allen Institute for AI（艾伦人工智能研究院）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；ETH Zurich（苏黎世联邦理工学院）
当阅读文学作品时，读者经常对各种角色的角色，个性，关系，意图，动作等进行推断。虽然人类可以很容易地利用他们过去的经验来构建这种以角色为中心的叙事视图，但理解叙事中的角色对机器来说可能是一项具有挑战性的任务。为了鼓励在以人物为中心的叙事理解这一领域的研究，我们提出了LiSCU -一个新的文学作品及其摘要数据集，并与其中出现的人物描述配对。我们还介绍了两个新的LiSCU任务：字符识别和字符描述生成。我们的实验与几个预先训练的语言模型适用于这些任务表明，有必要更好的模型的叙事理解。
2021-09-12 cs.CL
FolkScope: Intention Knowledge Graph Construction for E-commerce Commonsense Discovery
The Hong Kong University of Science and Technology（香港科技大学）；Amazon.com Inc（亚马逊公司）
本文提出FolkScope框架，利用大语言模型生成和人在回路标注半自动构建电子商务意图知识图谱，通过模式挖掘与概念化形成抽象知识，验证了其在建模电商常识方面的有效性。
2023-05-11 cs.CL
MIND: Multimodal Shopping Intention Distillation from Large Vision-language Models for E-commerce Purchase Understanding
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
本文提出多模态框架MIND，利用大型视觉语言模型从多模态产品元数据中蒸馏以人为中心的购物意图，构建了大规模多模态意图知识库，并在两个意图理解任务中显著提升了大型语言模型的性能。
2024-10-12 cs.CL
JointMap: Joint Query Intent Understanding For Modeling Intent Hierarchies in E-commerce Search
Emory University（埃默里大学）；The Home Depot（家得宝）
准确理解用户的查询意图可以帮助提高下游任务（如查询范围和排名）的性能。在电子商业领域，最近的工作在查询理解集中在查询到产品类别的映射。但是，有一小部分查询（在我们的网站上，2019年有1.5%或3300万次查询）与非商业意图相关。这些意图通常与非商业信息寻求需求相关联，如折扣，商店营业时间，安装指南等。在本文中，我们介绍了联合查询意图理解（JointMap），一种深度学习模型，用于同时学习两个不同的高级用户意图任务：1）识别查询的商业与非商业意图，以及2）将分类中的一组相关产品类别与产品查询相关联。JointMap模型通过联合学习过程利用这两个相关任务之间存在的迁移偏差来工作。由于为这些任务策划标记数据集可能是昂贵和耗时的，我们提出了一种远程监督方法，结合主动学习模型来生成高质量的训练数据集。为了证明JointMap的有效性，我们使用从大型商业网站收集的搜索查询。我们的研究结果表明，与最先进的深度学习方法相比，JointMap显著提高了“商业与非商业”意图预测和产品类别映射的平均2.3%和10%。我们的研究结果提出了一个有前途的方向，在电子商业搜索引擎的意图层次模型。
2020-05-29 cs.CL 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
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
Intent-based Product Collections for E-commerce using Pretrained Language Models
NAVER CLOVA；NAVER AI LAB；LBox Co., Ltd.（LBox有限公司）
建立购物产品系列主要是人类的工作。通过手工制作的努力，专家们收集了具有共同购物意图的相关但不同的产品，这些产品在一起展示时是有效的，例如，背包，笔记本电脑包，和信使袋新生袋礼物。自动构建集合需要ML系统学习客户意图和产品属性之间的复杂关系。但也出现了挑战点，比如1）长而复杂的意图语句，2）丰富多样的产品属性，3）它们之间存在巨大的语义鸿沟，使问题变得困难。在本文中，我们使用预训练的语言模型（PLM），利用Web规模的产品的文本属性，使基于意图的产品集合。具体来说，我们通过将意图句子设置为锚并将相应的产品设置为正例来训练具有三重损失的BERT。此外，我们还通过基于搜索的负采样和分类正对增强来提高模型的性能。我们的模型显着优于基于搜索的基线模型，在离线评估的基于意图的产品匹配。此外，在我们的电子商业平台上的在线实验结果表明，基于PLM的方法可以构建产品的集合，与专家精心制作的集合相比，具有更高的CTR，CVR和订单多样性。
2021-10-15 cs.CL 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
User Intent Inference for Web Search and Conversational Agents
Emory University（埃默里大学）
用户意图理解是设计会话代理和搜索引擎的关键步骤。检测或推断用户意图是具有挑战性的，因为用户话语或查询可能是简短的、模糊的并且依赖于上下文。针对这些研究挑战，本文的研究工作主要集中在：1）会话主体的话语主题和意图分类; 2）Web搜索引擎的查询意图挖掘和分类，主要针对电子商务领域。为了解决第一个问题，我提出了新的模型，将实体信息和会话上下文线索，以预测用户的话语的主题和意图。对于第二个研究主题，我计划将现有的Web搜索意图预测方法扩展到电子商务领域，通过：1）开发一个联合学习模型来预测搜索查询的意图和与之相关的产品类别，2）发现新的隐藏用户的意图。所有的模型都将在一个主要的电子商务网站搜索引擎的真实查询上进行评估。来自这些研究的结果可以被利用来提高各种任务的性能，诸如自然语言理解、查询范围确定、查询建议和排名，从而产生丰富的用户体验。
2020-07-08 cs.CL cs.IR
End-to-End Speech to Intent Prediction to improve E-commerce Customer Support Voicebot in Hindi and English
Flipkart（Flipkart（弗利普卡特））
本文提出一种基于预训练ASR模型微调的端到端语音到意图模型，用于印地语和英语双语电商客服语音机器人，在F1分数上比传统流水线相对提升约27%。
2022-10-26 cs.CL cs.HC cs.LG
SkillChain: Closing the Loop on Skill Evolution for Image-Based E-Commerce AI Assistants
Alibaba Group（阿里巴巴集团）
提出SkillChain框架，通过技能创建、路由优化和主体精炼三阶段自动化技能生命周期，解决电商图像助手多意图混淆问题，显著提升响应质量和用户参与度。
2026-08-28 cs.CL
Semantic Equivalence of e-Commerce Queries
Ebay Inc.（易趣公司）
本文提出一个结合表面规范化和历史行为相似性的框架，用于识别电子商务查询的语义等价性，并通过离线训练与在线最近邻方法在查询相似性上达到0.85的Pearson相关系数，优于主流句子变换器模型。
2023-08-07 cs.CL cs.IR cs.LG
U-Fold: Dynamic Intent-Aware Context Folding for User-Centric Agents
Zhejiang University（浙江大学）；Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团）；Westlake University（西湖大学）
U-Fold通过动态意图感知上下文折叠方法，提升用户为中心任务中长上下文处理的效率和准确性。
2026-01-26 cs.CL
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
Short Text Pre-training with Extended Token Classification for E-commerce Query Understanding
Amazon Search（亚马逊搜索）
电子商业查询理解是通过从用户的搜索查询中提取语义来推断用户的购物意图的过程。自然语言处理中的预训练掩蔽语言模型（MLM）的最新进展对于开发有效的查询理解模型具有极大的吸引力。具体地说，MLM通过恢复句子中的掩蔽标记来学习上下文文本嵌入。这样的预训练过程依赖于足够的上下文信息。然而，它对搜索查询的效果较差，因为搜索查询通常是短文本。当对短搜索查询应用掩蔽时，大部分上下文信息丢失，并且搜索查询的意图可能改变。为了缓解MLM搜索查询预训练的上述问题，我们提出了一种专门为短文本设计的新的预训练任务，称为扩展令牌分类（ETC）。我们的方法不是屏蔽输入文本，而是通过生成器网络插入令牌来扩展输入，并训练一个机器人来识别哪些令牌被插入到扩展输入中。我们在一个电子商业商店进行实验，以证明ETC的有效性。
2022-10-08 cs.CL cs.LG
A User-Centric Multi-Intent Benchmark for Evaluating Large Language Models
Tsinghua University（清华大学）；Université de Montréal（蒙特利尔大学）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）
提出以用户为中心的多意图基准URS，基于1,846个真实用例评估10个LLM服务，其得分与人类偏好高度一致（Pearson相关性0.95和0.94），有效指导用户选择。
2024-09-20 cs.CL
Text Understanding and Generation Using Transformer Models for Intelligent E-commerce Recommendations
Northeastern University（东北大学）；University of Southern California（南加州大学）；Northern Arizona University（北亚利桑那大学）；Virginia Tech University（弗吉尼亚理工大学）；Miami University（迈阿密大学）
本文综述了Transformer预训练模型在电商文本理解与推荐生成中的核心应用，分析其理解用户意图和提升推荐质量的优势，并探讨泛化能力、大规模数据处理与隐私保护等未来挑战。
2024-02-25 cs.AI cs.CL
Thinking Broad, Acting Fast: Latent Reasoning Distillation from Multi-Perspective Chain-of-Thought for E-Commerce Relevance
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）；Zhejiang University（浙江大学）
本文提出多视角链式推理蒸馏方法，通过改进的教师模型和轻量级学生模型提升电子商务搜索相关性建模的准确性和效率。
2026-01-29 cs.AI cs.CL cs.IR
Robust Interaction-Based Relevance Modeling for Online e-Commerce Search
Alibaba Group（阿里巴巴集团）
针对电商搜索中基于表示的架构在泛化性和鲁棒性上的不足，提出首个基于交互的相关性建模范式，通过动态长度表示、专业术语识别和对比对抗训练提升匹配能力，已在全球最大B2B平台全量部署并显著提升点击与转化。
2024-09-25 cs.CL cs.IR
Contextually Aware E-Commerce Product Question Answering using RAG
Flipkart US R\&D Center Bellevue Washington USA；Flipkart US R\&D Center
提出一种基于RAG的上下文感知电子商务产品问答框架，整合对话历史、用户画像和产品属性，处理多类型查询并识别信息缺口，引入新评估指标。
2025-08-04 cs.CL
From Hard Refusals to Safe-Completions: Toward Output-Centric Safety Training
OpenAI
针对二元拒绝边界在双用途场景下的脆弱性，提出以输出为中心的安全补全训练方法，在GPT-5中验证其能提升安全性、降低故障严重性并显著增强帮助性。
2025-08-12 cs.AI cs.CL cs.CY
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
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
UserBench: An Interactive Gym Environment for User-Centric Agents
Salesforce AI Research（Salesforce AI研究部）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对大语言模型智能体在模糊等场景下主动协作用户能力研究不足的问题，提出含模拟用户的UserBench基准，评估发现任务完成与用户对齐脱节，为相关能力发展提供支撑。
2025-07-29 cs.AI cs.CL cs.LG
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
Breaking the Barrier: Utilizing Large Language Models for Industrial Recommendation Systems through an Inferential Knowledge Graph
Ant Group（蚂蚁集团）
本文提出LLM-KERec系统，通过大语言模型构建互补知识图谱并引入互补召回与E-E-I权重决策模型，以捕捉用户意图转变、适应新物品并提升工业推荐效果。
2024-02-21 cs.AI cs.CL cs.IR
Wizard of Shopping: Target-Oriented E-commerce Dialogue Generation with Decision Tree Branching
AWS AI Labs（亚马逊云科技人工智能实验室）；Amazon.com, Inc.（亚马逊公司）
针对对话式产品搜索数据集缺乏的问题，提出TRACER方法利用LLMs基于决策树预测的对话计划生成自然对话，并发布首个目标导向CPS数据集WoS，通过人工评估和下游任务验证了其质量与有效性。
2025-02-03 cs.CL
Flippi: End To End GenAI Assistant for E-Commerce
Flipkart US R\&D Center Bellevue, Washington, USA；Flipkart US R\&D Center
本文介绍了由大语言模型驱动的电子商务端到端对话助手Flippi，它利用RAG和NER等NLP技术解析查询并提供精准产品信息与比价分析，通过自然语言对话实现超越传统搜索的个性化购物体验。
2025-07-11 cs.CL
HC-RAG: Evidence-Centric Retrieval-Augmented Generation over Heterogeneous Financial Filings
Sun Yat-sen University（中山大学）；Central South University（中南大学）
HC-RAG是面向异构金融文件的以证据为中心的分层跨模态RAG框架，通过构建类型化金融证据图、按意图路由证据，在金融问答基准上较RAPTOR、GraphRAG取得显著性能提升。
2026-08-14 cs.CL cs.MM
RMTBench: Benchmarking LLMs Through Multi-Turn User-Centric Role-Playing
Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室）；Alibaba Group（阿里巴巴集团）；University of Chinese Academy of Sciences（中国科学院大学）
针对现有角色扮演基准忽视用户意图的问题，提出用户中心双语基准RMTBench，含80个角色和8000余轮对话，基于用户动机构建对话并采用多轮模拟与LLM评分，弥合学术评估与实际部署差距。
2025-10-23 cs.CL
