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
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
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
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
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
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
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
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
SIR: Similar Image Retrieval for Product Search in E-Commerce
Walmart Labs(沃尔玛实验室)
我们提出了一个类似的图像检索(SIR)平台,用于快速发现视觉上相似的产品在数百万的目录。鉴于我们目录的规模、多样性和动态性,产品搜索带来了许多挑战。它可以通过建立监督模型来标记产品图像与代表主题的标签,然后通过标签检索它们来解决。这种方法足以满足常见的和常年的主题,如“白衬衫”或“生活方式的电视形象”。它不适用于新的主题,如“电子烟”,难以定义的主题,如“带有促销徽章的图像”,或具有短相关性的主题,如“万圣节服装”。SIR是这种情况下的理想选择,因为它允许我们通过示例进行搜索,而不是预先定义的主题。我们描述的步骤-嵌入计算,编码和索引-权力的近似最近邻搜索后端。我们还强调了SIR的两个应用。第一个是关于检测具有各种类型的潜在不良主题的产品。这个应用程序是带着紧迫感运行的,因此训练和引导模型的典型时间范围是不允许的。此外,根据目前的趋势,这些主题往往是短暂的,因此花费资源建立一个持久的模式是不合理的。第二个应用程序是一个变量项检测系统,SIR帮助发现通过文本搜索很难找到的视觉变量。我们分析了SIR在这些应用程序的背景下的性能。
2020-09-29 cs.AI cs.CV cs.IR
Scalable Approach for Normalizing E-commerce Text Attributes (SANTA)
Amazon(亚马逊)
在本文中,我们提出了SANTA,一个可扩展的框架,自动规范化电子商业属性值(例如“Win 10 Pro”)的一组固定的预定义的规范值(例如“Windows 10”)。属性规范化的早期工作集中在模糊字符串匹配(本文中也称为语法匹配)。在这项工作中,我们首先进行了广泛的研究,九个句法匹配算法,并建立“余弦”相似性导致最佳的结果,显示2.7%的改善,常用的Jaccard指数。接下来,我们认为,字符串相似性本身是不够的属性规范化,因为许多表面形式需要超越语法匹配(例如,“720 p”和“HD”是同义词)。虽然语义技术,如无监督嵌入(例如word 2 vec/fastText)在单词相似性任务中表现出良好的效果,但我们观察到它们在区分接近的规范形式方面表现不佳,因为这些接近的形式经常出现在类似的上下文中。我们建议使用具有三重损失的孪生网络来学习令牌嵌入。我们提出了一个嵌入式学习任务,利用原始属性值和产品名称以自我监督的方式学习这些嵌入。我们表明,使用我们提出的任务提供监督改进了基于语法和无监督嵌入的属性规范化技术。在一个包含50个属性的真实属性归一化数据集上的实验表明,使用我们提出的方法训练的嵌入比最佳字符串匹配提高了2.3%,比最佳无监督嵌入提高了19.3%。
2021-06-12 cs.CL cs.LG
Query Brand Entity Linking in E-Commerce Search
Amazon(亚马逊)
针对电商搜索中查询简短且品牌目录庞大的挑战,提出级联流水线与极端多分类两种品牌实体链接方法,经11种语言评估和在线实验验证,在保持高精度下提升品牌召回率,增强客户参与度。
2026-09-10 cs.AI 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
ProMap: Datasets for Product Mapping in E-commerce
Charles University(查理大学)
本文针对现有电商产品映射数据集信息不完整且难以区分相似非匹配商品的问题,提出了包含图文信息且具有近非匹配和中非匹配类型的ProMapCz和ProMapEn数据集,作为进一步研究的黄金标准。
2023-09-13 cs.CV cs.IR cs.LG
Distantly Supervised Transformers For E-Commerce Product QA
Amazon(亚马逊)
我们提出了一个实用的即时问答(QA)系统的电子商务服务的产品页面上,对于每个用户查询,相关的社区问答(CQA)对检索。用户查询和CQA对在语言特征上存在显着差异,使得相关性学习变得困难。我们提出的基于transformer的模型通过联合学习统一的语法和语义表示来学习鲁棒的相关函数,而不需要人类标记数据。这是通过远程监督我们的模型来实现的,该模型通过从语法匹配系统对用户查询的预测中提取,并同时使用CQA对进行训练。使用CQA对进行训练有助于我们的模型学习语义QA相关性,远程监督可以学习语法特征以及用户查询语言的细微差别。此外,我们的模型编码查询和候选响应独立允许离线候选嵌入生成,从而最大限度地减少了实时Transformer模型执行的需要。因此,我们的框架能够扩展到大的电子商业QA流量。对用户查询的广泛评估表明,我们的框架在离线以及大规模在线A/B设置的流行的电子商业服务中显着优于语法和语义基线。
2021-04-07 cs.LG
SnapMode: An Intelligent and Distributed Large-Scale Fashion Image Retrieval Platform Based On Big Data and Deep Generative Adversarial Network Technologies
University of Alzahra(阿尔扎拉大学)
时尚现在是世界上最大的产业之一,因为它代表了人类历史,并有助于讲述世界的故事。随着第四次工业革命的兴起,互联网已经成为越来越重要的时尚信息来源。然而,随着越来越多的网页和社交数据,人类几乎不可能手动跟上该领域的持续发展和不断变化的内容。妥善管理和利用大数据可以为全球经济的大幅增长和公民满意度铺平道路。因此,计算机科学家发现,通过使用大数据和机器学习技术来处理电子商务时尚网站是一项挑战。本文首先提出了一种基于分布式计算平台的可扩展的聚焦式Web爬虫引擎,用于电子商务网站上的时尚数据的提取和处理。然后描述了所提出的平台的作用,通过采用深度卷积生成对抗网络(DCGAN)进行基于内容的图像索引和检索来开发一种解纠缠的特征提取方法。最后,国家的最先进的解决方案进行了比较,所提出的方法的结果进行了分析的标准数据集。为了实现所提出的解决方案,在Apache Storm、Kafka、Solr和Milvus平台上开发了一个基于Web的应用程序,以创建一个名为SnapMode的时尚搜索引擎。
2022-04-08 cs.AI cs.CV cs.DC
Matching Models for Graph Retrieval
Indian Institute of Technology Bombay(印度理工学院孟买分校)
在过去的几年中,图检索已经见证了持续的兴趣和进展。在这份报告中,我们专注于神经网络为基础的方法图匹配和检索相似的图从语料库的图。我们探索的方法,可以软预测两个图之间的相似性。稍后,我们测量特定基线(最短路径核)的能力,并尝试在我们的产品图随机游走设置中对其进行建模,同时使其更加通用。
2022-04-21 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
Hybrid Style Siamese Network: Incorporating style loss in complementary apparels retrieval
随着图像检索技术的不断发展,图像检索已经成为时尚电子商务生态系统中不可或缺的一部分。除了视觉相似项的检索外,视觉相容项或互补项的检索也是视觉相似项检索的一个重要方面,普通的连体网络在互补项检索中表现得很好。但它不能识别低层次的风格特征,使项目在人类的眼睛兼容。这些低层次的风格特征在很大程度上被神经风格迁移中使用的技术所捕获。本文提出了一种机制,利用这些方法在这个检索任务,并通过一个混合连体网络加上混合损失捕获低层次的风格特征。实验结果表明,该方法优于传统的连体网络检索任务的互补项目。
2020-06-09 cs.CV cs.LG cs.MM
Neural Graph Matching Improves Retrieval Augmented Generation in Molecular Machine Learning
Massachusetts Institute of Technology, Cambridge, MA, United States(麻省理工学院)
本文提出MARASON模型,将神经图匹配引入分子机器学习的检索增强生成,用于质谱模拟,使top-1准确率从19%提升至28%,显著优于现有方法。
2025-07-03 cs.LG q-bio.QM
Sequential Sentence Matching Network for Multi-turn Response Selection in Retrieval-based Chatbots
Didi Chuxing(滴滴出行)
近年来,开放领域的多轮聊天机器人吸引了学术界和工业界许多研究人员的兴趣。主要的基于检索的方法使用上下文响应匹配机制进行多轮响应选择。具体地,现有技术的方法通过词或片段相似性来执行上下文响应匹配。然而,这些模型缺乏对中间层语义信息的充分利用,并且会犯一些人类很容易避免的简单错误。在这项工作中,我们提出了一个匹配网络,称为顺序句子匹配网络(S2M),使用的句子层次的语义信息来解决这个问题。首先,也是最重要的一点,我们发现,通过使用中间层语义信息,网络成功地解决了这个问题,并在匹配方面得到了显着的改进,从而获得了最先进的性能。此外,我们结合我们在这里介绍的句子匹配和目前文献中报道的常用词相似度匹配,在不同的语义层次上进行匹配。在三个公开数据集上的实验表明,这种集成进一步提高了模型的性能。
2020-05-16 cs.CL cs.LG
RACT: Retrieval Augmented Column-Table Learning and Prediction for Multi-Table Schema Matching
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Utrecht University(乌特勒支大学);Technical University of Cologne(科隆技术大学)
提出RACT自监督框架,通过检索候选表约束列匹配空间,在多表模式匹配中优于相似性基线,精度和完整性提升高达70%。
2026-06-05 cs.DB cs.IR cs.LG
FashionBERT: Text and Image Matching with Adaptive Loss for Cross-modal Retrieval
Alibaba Group(阿里巴巴集团)
本文研究了服装行业跨模态检索中的文本和图像匹配问题。与一般领域的匹配不同,服装匹配需要更多地关注服装图像和文本中的细粒度信息。先锋方法检测感兴趣的区域(即,RoI),并使用RoI嵌入作为图像表示。一般来说,ROI倾向于在时尚图像中表示“对象级”信息,而时尚文本倾向于描述更详细的信息,例如样式,属性。因此,ROI对于时尚文本和图像匹配来说不够细粒度。为此,我们提出了FashionBERT,它利用补丁作为图像特征。以预先训练好的BERT模型作为骨干网络,Fashion BERT学习文本和图像的高级表示。同时,我们提出了一个自适应的损失,权衡多任务学习的FashionBERT建模。两个任务(即,文本和图像匹配以及跨模态检索)被合并以评估FashionBERT。在公共数据集上,实验表明FashionBERT在性能上比基线和最先进的方法有了显着的改进。在实践中,FashionBERT被应用在一个具体的跨模态检索应用中。我们提供了详细的匹配性能和推理效率分析。
2020-05-29 cs.CV cs.IR cs.LG
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