Seller-side Outcome Fairness in Online Marketplaces
University of Washington（华盛顿大学）；Walmart Global Tech（沃尔玛全球技术）
针对电商平台卖家曝光不均问题，本文定义卖方结果公平性，构建奖励与公平平衡优化模型，并提出基于对偶和 bandit 理论的梯度数据驱动算法，在真实数据上提升公平性且不损害 GMV 与购买量。
2023-12-06 cs.LG math.OC
Sequential Multimodal Evidence Optimization for Product Media Ranking in E-Commerce
Amazon.com Inc.（亚马逊公司）
针对电商产品媒体排序问题，本文提出SMEO框架，通过轨迹效用模型和生存加权自回归策略优化，提升转化率并减少消费者划动次数。
2026-08-18 cs.LG
Behavior2Value: Benchmarking and Empowering LLMs for Consumer Value Measurement from E-commerce Behaviors
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
本文提出行为到价值（B2V）任务及首个基准B2V-Bench，并构建B2V-Verifier模型，从电商行为轨迹中识别消费者价值观，多标签分类性能提升34%。
2026-09-17 cs.CL cs.LG
Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model
Chewy Inc（Chewy公司）；Pace Institute of Technology and Atlanta, USA（佩斯理工学院和亚特兰大美国）；Nitte Meenakshi Institute of Sciences（尼特梅恩克希科学学院）；Lovely Professional University（洛丽专业大学）；Infinity Tech Group（无限科技集团）；University（大学）
提出混合Ret-DNN与XGBoost模型，通过特征提取和梯度提升预测客户购买概率，在UK零售数据集上MAE达0.2193。
2026-06-17 cs.LG
Incremental Profit per Conversion: a Response Transformation for Uplift Modeling in E-Commerce Promotions
本文提出每次转化的增量利润（IPC）这一新型 uplift 指标，通过响应变换仅需转化数据、倾向性和单一模型即可估计，解决了响应依赖成本促销中多模型训练、零膨胀和类别不平衡等问题，并在优惠券模拟中验证了有效性。
2023-08-09 cs.LG
MemRerank: Preference Memory for Personalized Product Reranking
Santa Clara University（圣克拉拉大学）；Independent Researcher（独立研究者）
提出MemRerank框架，通过强化学习将用户购买历史提炼为查询无关的偏好记忆，用于LLM购物代理的个性化重排序，在1-in-5选择任务中准确率提升高达10.61个百分点。
2026-06-18 cs.AI cs.CL cs.LG
E-Commerce Promotions Personalization via Online Multiple-Choice Knapsack with Uplift Modeling
促销和折扣是现代电子商业平台的重要组成部分，通常用于激励客户完成购买。促销活动也会影响收入，并可能导致经常受到专用促销预算限制的金钱损失。我们研究的在线约束多选择促销个性化问题，其中的优化目标是为每个客户选择的促销，以最大限度地提高购买完成，同时也符合全球预算的限制。我们的工作形式化的问题作为一个在线多选择背包问题，并通过解决负权重和值的情况下，现有的文献进行了扩展。我们提供了一种实时的自适应方法，保证了预算约束的合规性，并在各种数据集上实现了99.7%以上的最佳促销效果。我们的方法在世界领先的在线旅游平台之一的大规模实验研究中进行了评估。
2021-08-31 cs.AI cs.IR cs.LG
eCommerceGAN : A Generative Adversarial Network for E-commerce
Indian Institute of Science（印度科学理工学院）；Amazon India Machine Learning（亚马逊印度机器学习）
亚马逊、阿里巴巴和Flipkart等电子商业公司每年处理数十亿订单。然而，这些命令只代表所有合理命令的一小部分。探索所有合理订单的空间可以帮助我们更好地理解电子商业生态系统中各种实体之间的关系，即客户和他们购买的产品。在本文中，我们提出了一个生成对抗网络（GAN）的订单在电子商业网站。一旦经过训练，GAN中的生成器就可以生成任意数量的合理订单。我们的贡献包括：（a）创建电子商务订单的密集和低维表示，（b）用真实订单训练电子商务GAN（ecGAN）以显示所提出的范例的可行性，以及（c）训练电子商务条件GAN（ec^2 GAN）以生成涉及特定产品的合理订单。我们提出了几种定性的方法来评估ecGAN，并证明其有效性。ec^2GAN用于对涉及刚被引入到电子商业系统中的产品的可能订单进行各种表征。在大多数情况下，所提出的方法ec^2GAN的性能明显优于基线。
2018-01-10 cs.LG
Scalable Demand-Aware Recommendation
Tencent AI Lab（腾讯人工智能实验室）；AI Foundations Lab, IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心人工智能基础实验室）；University of California, Davis（加州大学戴维斯分校）；IBM Research AI（IBM人工智能研究院）；National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
推荐电子商务与耐用品和非耐用品的混合有特点，区分它从研究的媒体推荐问题。对物品的需求是形式效用和时间效用的综合效应，即，产品必须既对消费者具有内在吸引力，又必须是合适的购买时间。特别是对于耐用品，时间效用是产品类别内的购买持续时间的函数，因为消费者不太可能在时间上连续购买同一类别中的两个项目。此外，与评级数据相比，购买数据是隐含的，不购买不一定表示不喜欢。总之，这些问题引起了积极的未标记的需求感知推荐问题，我们提出通过联合低秩张量完成和产品类别间购买持续时间向量估计。我们进一步放松这个问题，并提出了一个高度可扩展的交替最小化方法，我们可以解决数百万用户和数百万项目在一个线程的问题。我们还在多个真实世界数据集上展示了出色的预测准确性。
2017-11-26 cs.LG
Cross DQN: Cross Deep Q Network for Ads Allocation in Feed
Meituan（美团）；Tsinghua University（清华大学）
电子商务平台通常会在Feed中显示广告和有机项目的混合列表。一个关键的问题是如何分配提要中有限的位置，以最大限度地提高整体收入并改善用户体验，这需要一个好的用户偏好模型。代替对单个项目对用户行为的影响进行建模，布置信号对项目的布置的影响进行建模，并且可以导致更好的分配策略。然而，大多数以前的策略未能模拟这样的信号，因此导致次优性能。此外，广告曝光率（PAE）是广告分配的重要指标。过高的PAE会损害用户体验，而过低的PAE会降低平台收入。因此，如何将PAE约束在一定范围内，同时保持个性化推荐在PAE约束下是一个挑战。本文提出了交叉深度Q网络（Cross Deep Q Network，Cross DQN），通过交叉不同项目的嵌入，对交叉序列进行多通道注意力建模，提取关键排列信号。此外，我们提出了一个辅助损失的批量级约束PAE，以解决上述挑战。我们的模型在离线实验中比最先进的基线产生更高的收入和更好的用户体验。此外，我们的模型在在线A/B测试中表现出了显著的改进，并已在美团饲料上全面部署，为超过3亿客户提供服务。
2022-05-20 cs.LG
Variational Inference for Category Recommendation in E-Commerce platforms
Walmart Global Tech（沃尔玛全球技术）
在电子商业平台上为用户推荐类别是一项重要的任务，因为它决定了网站的流量。因此，重要的是要表面精确和多样化的类别建议，以帮助用户通过平台的旅程，并帮助他们发现新的项目组。类别推荐中一个经常被低估的部分是用户重复购买的倾向。这种时间行为的结构可以收获更好的类别推荐，在这项工作中，我们试图通过变分推理来利用这一点。此外，为了增强基于变分推理的优化，我们通过众所周知的Metapath2Vec算法在更好的起点初始化优化器。我们在两个真实世界的数据集上展示了我们的结果，并表明我们的模型优于标准基线方法。
2021-04-19 cs.IR cs.LG
Assortment Optimization under Unknown MultiNomial Logit Choice Models
本文以电子商务为背景，研究了在线商品分类优化问题。卖家提供一个分类，即产品的子集，每个到达的客户，谁然后购买一个或没有产品从她提供的分类。客户的购买决策由基础的多项Logit（MNL）选择模型控制。卖方的目标是最大限度地提高总收入在一个有限的销售范围内，受资源约束和不确定性的MNL选择模型。我们首先提出了一个有效的在线政策，招致遗憾$\tilde{O}(T^{2/3})$，其中$T$是在销售范围内的客户数量。然后，我们提出了一个UCB政策，实现了遗憾$\tilde{O}(T^{1/2})$。两个后悔界限都是次线性的。
2017-04-01 cs.LG
PreSizE: Predicting Size in E-Commerce using Transformers
eBay Research（eBay研究院）
电子商业时尚行业的最新进展已经导致了对经由改进的个性化来增强买家体验的新颖方式的探索。预测一个项目的适当大小推荐是一个重要的个性化挑战，并正在研究这项工作。该领域的早期工作要么集中于对明确的买方装修反馈进行建模，要么只对问题的单个方面进行建模（例如，具体类别、品牌等）。最近的研究提出了更丰富的模型，无论是基于内容的还是基于序列的，更好地考虑了问题的基于内容的方面，或者更好地建模了买家的在线旅程。然而，这两种方法在某些情况下都失败了：遇到未见过的项目（基于序列的模型）或遇到新用户（基于内容的模型）时。为了解决上述差距，我们提出了PreSizE -一种新的深度学习框架，它利用Transformers进行准确的大小预测。PreSizE模型的影响，这两个基于内容的属性，如品牌和类别，以及买家的购买历史对她的大小偏好。使用一个大规模的电子商业数据集上的一组广泛的实验，我们证明了PreSizE是能够实现优越的预测性能相比，以前的国家的最先进的基线。通过对物品属性进行编码，PreSizE可以更好地处理带有未见过物品的冷启动情况，以及买家几乎没有过去购买数据的情况。作为概念证明，我们证明了PreSizE的大小预测可以有效地集成到现有的生产推荐系统中，产生非常有效的功能，并显着提高建议。
2021-05-04 cs.AI cs.IR cs.LG
Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network
预测未来消费者行为是大型零售企业面临的最具挑战性的问题之一。对消费者购买模式的准确预测可以更好地进行库存规划和有效的个性化营销策略。最佳的库存规划有助于最大限度地减少缺货/库存过剩的情况，智能个性化的营销策略确保顺利和愉快的购物体验。消费者购买预测问题通常由ML研究人员以传统方式解决，无论是通过推荐系统还是传统的ML方法。这种建模方法在预测消费者购买模式方面并不能很好地推广。在本文中，我们提出了我们的消费者购买行为的研究，其中，我们建立了一个数据驱动的框架来预测消费者是否会购买一个项目在一定的时间范围内使用电子商务零售数据。为了对这种关系进行建模，我们为所有相关的消费者-商品组合创建了一个连续的时间序列数据。然后，我们通过在消费者、物品和时间的交叉点生成特征来构建广义非线性模型。我们通过实验不同的神经网络架构，ML模型及其组合来展示强大的性能。我们提出了60个不同超参数的建模实验的结果，以及Stacked Generalization合奏和F1-Maximization框架。然后，我们展示了多层感知器、长短期记忆（LSTM）、时间卷积网络（TCN）和TCN-LSTM等神经网络架构相对于Xgboost和RandomForest等ML模型带来的好处。
2020-10-14 cs.IR cs.LG
Detecting User Exits from Online Behavior: A Duration-Dependent Latent State Model
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）
为了引导电子商务用户进行购买，营销人员依赖于对用户何时退出而不购买的预测。在此之前，这种预测是基于隐马尔可夫模型（HALGOT），因为它们能够对具有不同用户意图的潜在购物阶段进行建模。在这项工作中，我们开发了一个持续时间依赖的隐马尔可夫模型。与传统的HISTORY不同，它明确地对潜在状态的持续时间进行建模，从而允许状态变得“粘性”。该模型在检测用户退出方面优于之前的隐马尔可夫模型：在100个未购买的用户退出中，它正确识别出另外18个。这有助于营销人员更好地管理电子商务客户的在线行为。我们的模型性能优越的原因是持续时间依赖性，这使得我们的模型能够恢复以扭曲的时间感为特征的潜在状态。最后，我们提供了一个理论上的解释，这是建立在“流”的概念。
2022-08-08 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
Extracting Important Tokens in E-Commerce Queries with a Tag Interaction-Aware Transformer Model
Indiana University at Indianapolis（印第安纳大学印第安纳波利斯分校）；eBay Inc.（eBay公司）
本研究将电商查询重写视为词元分类任务，提出依赖感知的 Transformer 模型 TagBERT，利用词元语义标签学习更优查询短语嵌入，在重要词元分类任务上优于 BERT 等竞争模型。
2025-07-14 cs.LG
Categorizing Online Shopping Behavior from Cosmetics to Electronics: An Analytical Framework
University of California, Berkeley（加利福尼亚大学伯克利分校）；Volvo Cars Technology（沃尔沃汽车技术公司）
在数字营销时代，现代公司的一个成功因素是了解客户如何根据他们的在线购物模式思考和行为。虽然通过问卷和调查收集消费者见解的传统方法仍然是市场情报部门描述性分析的基础，但我们提出了一个机器学习框架来自动化这一过程。在本文中，我们提出了一个模块化的消费者数据分析平台，处理用户和产品之间的会话级别的交互记录，以预测会话级别，用户旅程级别和客户行为的特定模式导致购买事件。我们探索的计算框架，并提供两个大数据集的化妆品和消费电子产品的大小分别为2GB和15 GB的测试结果。该系统实现了97-99%的分类准确率和召回率的用户旅程级购买预测和分类购买行为分为5个集群与两个数据集的购买比例增加。因此，所提出的框架可扩展到其他大型电子商务数据集，以获得自动购买预测和描述性消费者见解。
2020-10-06 cs.CY cs.LG
New Item Consumption Prediction Using Deep Learning
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
推荐系统在当今的网络世界中无处不在，几乎是每个电子商务平台的组成部分。虽然传统的推荐系统使用客户历史，这种方法是不可行的“冷启动”的情况下。这些场景包括需要为新用户或未注册用户提供推荐以及引入新项目。在这项研究中，我们提出了购买意图会话为基础的（PISA）算法，一个基于内容的算法，用于预测冷启动会话为基础的场景的购买意图。我们的方法采用深度学习技术对内容和购买意图预测进行建模。我们的实验表明，当引入新项目时，PISA的表现优于众所周知的深度学习基线。此外，虽然基于内容的方法在高度不平衡的数据集中通常无法很好地执行，但我们的方法成功地处理了这种情况。最后，我们的实验表明，在非冷启动情况下，将PISA与基线相结合，进一步提高了性能。
2019-05-12 cs.IR cs.LG
A General Traffic Shaping Protocol in E-Commerce
Alibaba Group（阿里巴巴集团）
为了实现不同的业务目标，在线流量塑造算法旨在提高一组目标项目的曝光率，例如促进新商品的增长。通常，这些算法假设每个用户-项目对的效用可以通过训练有素的转化率预测模型来访问。然而，对于真正的电子商业平台，有一些不可避免的因素阻止我们学习这样一个准确的模型。为了打破严重依赖于准确的输入效用，我们提出了一个通用的在线流量整形协议的在线电子商业应用。在我们的框架中，我们近似的函数映射的奖金分数，这通常是唯一的方法来影响排名结果的流量塑造问题，曝光和购买的数量。具体地说，我们用一类构造在探测数据点的凸包上的分段线性函数来逼近上述函数。此外，我们将在线流量整形问题重新表述为线性规划，其中这些分段线性函数嵌入到目标和约束中。该算法可以直接优化素空间中的线性规划问题，其解可以通过随机策略简单地应用于满足期望的优化目标和约束条件。最后，在线A/B测试表明，我们提出的算法稳定优于以前的工业级流量整形算法。
2021-12-30 cs.DS cs.LG
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
InfDetect: a Large Scale Graph-based Fraud Detection System for E-Commerce Insurance
Ant Financial Services Group（蚂蚁金融服务集团）
保险业一直在围绕新兴的网上购物活动创造创新产品。此类电子商业保险旨在保护买家免受冲动购买和假冒伪劣等潜在风险的影响。针对在线保险的欺诈性索赔通常涉及买方、卖方和快递公司等多方，可能导致严重的经济损失。为了揭示有组织的欺诈者背后的关系，检测欺诈索赔，我们开发了一个大规模的保险欺诈检测系统，即，InfDetect，它提供了常用图形的接口，标准数据处理程序和统一的图形学习平台。InfDetect能够处理包含多达1亿个节点和数十亿条边的大图。在本文中，我们研究了不同的图，以促进欺诈者挖掘，如设备共享图，交易图，友谊图和买家-卖家图。这些图被馈送到包含监督和无监督图学习算法的统一图学习平台。最后以一个应用广泛的电子商业保险案例为例，说明了系统的使用方法和性能。InfDetect已成功检测到数千起欺诈性索赔，每天节省数万美元。
2020-03-12 cs.CR cs.LG stat.ML
A Deep Learning System for Predicting Size and Fit in Fashion E-Commerce
Zalando Research（Zalando研究院）；Shopify；Zalando SE；OLX Berlin（OLX柏林）
个性化的尺码和合身推荐对于任何时尚电子商业平台都具有至关重要的意义。预测正确的配合可以提高客户满意度，并通过降低因尺寸相关退货而产生的成本来使业务受益。传统的协同过滤算法寻求根据客户之前的订单来建模客户偏好。这种方法的一个典型挑战来自于客户订单的极度稀疏。为了缓解这个问题，我们提出了一个基于深度学习的内容协作方法，用于个性化的尺寸和适合的推荐。我们提出的方法可以摄取任意的客户和文章数据，并可以在单个帐户后面对多个人或意图进行建模。该方法优化了一组全局参数，以学习人口级别的抽象的大小和适合相关信息，从观察到的客户物品的相互作用。它进一步采用客户和产品特定的嵌入变量来学习它们的属性。与学习的实体嵌入一起，该方法将额外的客户和物品属性映射到潜在空间中以获得个性化推荐。我们的方法应用到两个公开的数据集证明了对最先进的已发表结果的改进。在两个专有数据集上，一个包含来自时尚专家的合身反馈，另一个涉及客户购买，我们的表现进一步优于可比方法，包括最近的贝叶斯尺码推荐方法。
2019-07-23 cs.LG stat.ML
Looking around you: external information enhances representations for event sequences
LARSS Laboratory, AI Center, Skoltech（LARSS实验室、人工智能中心、Skoltech）
针对事件序列表示学习中忽略同时发生序列上下文的问题，提出通过聚合多个用户表示来增强特定用户表示的方法，其中可学习注意力机制在多个数据集上显著提升指标。
2026-05-28 cs.LG
A Long-Short Demands-Aware Model for Next-Item Recommendation
Renmin University of China（中国人民大学）；University of Montreal（蒙特利尔大学）
推荐合适的产品是推荐系统的核心问题，但同时也要在合适的时间推荐合适的产品，以满足用户的需求，使其价值最大化。用户需求蕴含着强烈的购买意愿，如果利用得当，可以成为促进产品销售的最有效途径。以往的推荐模型主要关注用户的一般兴趣，以找到合适的产品。然而，在适时满足用户需求方面，探索得少得多。为了解决这个问题，我们提出了一种新的长短需求感知模型（LSDM），其中用户对项目的兴趣和用户的需求随着时间的推移。我们总结了两个方面：称为长期需求（例如，反复购买相同的产品表现出长期持续的兴趣）和短期需求（例如，共同购买就像买颜料后买画笔）。为了利用用户的这种长短期需求，我们创建不同的集群，根据不同的时间跨度将连续的产品购买分组在一起，并使用递归神经网络在时间尺度上对每个集群序列进行建模。最后通过联合学习策略对多时间尺度的长短期采购需求进行集结。在三个真实商业数据集上的实验结果证明了该模型的有效性，表明该模型可以有效地模拟用户在多时间尺度上对商品的长短期购买需求。
2019-02-12 cs.IR cs.LG stat.ML
From "Who Is This User?" to "What Does This Purchase Mean?": A Deployed Pipeline for Semantic User Profiling at Bank Scale
CyberAgent
该研究提出一种按交易模式而非用户进行LLM推理的语义用户画像流水线，显著降低推理成本，并在银行规模部署中实现近三个数量级的效率提升。
2026-09-18 cs.AI cs.LG
Perceive Your Users in Depth: Learning Universal User Representations from Multiple E-commerce Tasks
Alibaba Group（阿里巴巴集团）
为了解决电子商务中的信息过载问题，搜索和推荐等任务变得越来越重要。为了满足不同用户的多样化需求，个性化扮演着重要的角色.在许多大型门户网站，如淘宝和亚马逊，有一堆不同类型的搜索和推荐任务同时运行的个性化。然而，大多数当前技术单独地解决每个任务。这是次优的，因为没有关于用户的信息在不同的任务之间共享。在这项工作中，我们建议学习跨多个任务的通用用户表示更有效的个性化。特别地，用户行为序列（例如，点击，书签或购买产品）由LSTM和注意力机制通过整合所有相应的内容，行为和时间信息来建模。用户表示在多个任务的端到端设置中共享和学习。由于多任务的信息利用率较高，用户表征更能反映用户的兴趣，更能适应新任务的需要。我们将这项工作称为深度用户感知网络（DUPN），并进行了一系列广泛的在线和在线实验。在所有测试过的不同任务中，我们的DUPN通过提供更有效的用户表示来实现更好的结果。此外，我们在淘宝的大规模运营任务中部署了DUPN。详细的实施方式，例如，还提供了增加的模型更新，以解决现实世界应用中的实际问题。
2018-05-28 cs.LG stat.ML
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
Neural Learning of Online Consumer Credit Risk
JD Digits（京东数字科技）；City University of Hong Kong（香港城市大学）
本文采用深度学习方法来了解电子商务平台发放无担保信贷为客户购买融资时的消费者信用风险。“NeuCredit”模型可以在每个维度中的事件频率不同时捕获多维时间序列数据中的两个串行依赖性。它还捕获了不同时间演化特征之间的非线性横截面相互作用。此外，预测的违约概率被设计成可解释的，使得风险可以被分解为三个部分：表示消费者偿还意愿的主观风险、表示他们偿还能力的客观风险和表示消费者行为差异的行为风险。使用来自全球最大的电子商务平台之一的独特数据集，我们表明，除了传统的支付记录外，还需要使用深度学习方法来提取这些数据的信息内容，这比传统的机器学习方法显着提高了预测性能。
2019-06-05 cs.LG q-fin.RM
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
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
UserBERT: Modeling Long- and Short-Term User Preferences via Self-Supervision
Rakuten Institute of Technology, Rakuten Group, Inc.（乐天集团株式会社乐天技术研究所）
电子商务平台每天从数百万独立用户那里生成大量的客户行为数据，例如点击和购买。然而，有效地将这些数据用于行为理解任务是具有挑战性的，因为通常没有足够的标签以监督的方式从所有用户那里学习。本文将BERT模型扩展到电子商务用户数据，以自监督的方式进行预训练表示。通过将序列中的用户操作视为类似于句子中的单词，我们将现有的BERT模型扩展到用户行为数据。此外，我们的模型采用统一的结构，同时从长期和短期用户行为以及用户属性中学习。我们提出了不同类型的用户行为序列的标记化方法，输入表示向量的生成，以及一种新的借口任务，使预训练模型能够从自己的输入中学习，从而消除了对标记训练数据的需要。大量的实验表明，学习的表示在转移到三个不同的现实世界的任务，特别是与特定于任务的建模和多任务表示学习的显着改善
2022-02-14 cs.AI cs.LG
Leveraging Online Shopping Behaviors as a Proxy for Personal Lifestyle Choices: New Insights into Chronic Disease Prevention Literacy
Dalian University of Technology（大连理工大学）；Worcester Polytechnic Institute（伍斯特理工学院）；Indiana University（印第安纳大学）；Alibaba DAMO Academy（阿里巴巴达摩院）
目的：无处不在的互联网接入正在重塑我们的生活方式，但它也伴随着预防慢性疾病的前所未有的挑战，这些疾病通常是由于长期暴露于不健康的生活方式而导致的。本文提出利用网上购物行为作为个人生活方式选择的代理，以提高慢性病预防素养，针对电子商务用户体验已融入大多数人的日常生活的时代。研究方法：我们访问了1500万在线购物者的纵向查询日志和购买记录，构建了涵盖各种产品类别和买家角色的广泛生活方式特征。利用网上购物者首次购买特定处方药之前的生活方式相关信息，我们可以确定他们过去的生活方式选择与他们是否患有特定慢性疾病之间的关联。结果如下：新的生活方式风险因素在两个例子中被发现-抑郁症和2型糖尿病，其中大多数与现有的医疗保健知识表现出合理的一致性。此外，这些实证研究结果可以用于以相当的准确性定位这些慢性病风险较高的在线购物者[即，(area在接受者工作特征曲线下）抑郁症的AUC=0.68，2型糖尿病的AUC=0.70]，与以医学诊断为基准的筛选调查的性能密切匹配。结论：挖掘网上购物行为可以为医学专家指出一系列与慢性病相关的生活方式问题，这些问题迄今为止还没有得到充分的研究。希望通过电子商务网站进行的不引人注目的慢性病监测可以使同意的个人更容易与医疗专业和复杂性联系起来。
2022-03-10 cs.CY cs.LG stat.AP
Deep Heterogeneous Autoencoders for Collaborative Filtering
Rakuten Institute of Technology（乐天技术研究所）；Nanyang Technological University（南洋理工大学）
本文利用异构辅助信息来解决推荐系统中的数据稀疏问题。我们提出了一个模型，从异构数据，如项目描述，产品标签和在线购买历史，学习共享的特征空间，以获得更好的预测。我们的模型由自动编码器组成，不仅适用于数值和分类数据，而且适用于序列数据，这使得能够捕获用户口味，项目特征和用户偏好的最新动态。我们独立地学习每个数据源的自动编码器架构，以便更好地对其统计特性进行建模。我们对两个MovieLens数据集和一个电子商务数据集的评估表明，平均精度和召回率比最先进的方法有所提高。
2018-12-17 cs.IR cs.LG
A Transformer-Based Substitute Recommendation Model Incorporating Weakly Supervised Customer Behavior Data
Amazon Retails（亚马逊零售）；Amazon AWS（亚马逊云科技）
本文提出一种端到端基于Transformer的替代品推荐模型，将推荐转化为语言匹配问题并融合产品功能，通过新方法对弱监督行为信号去噪，支持多语言，在线A/B实验显示收入提升19%。
2023-04-08 cs.AI cs.CL 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
Contrastive Meta Learning with Behavior Multiplicity for Recommendation
University of Hong Kong（香港大学）；South China University of Technology（华南理工大学）；Wilfrid Laurier University（威尔弗里德·劳雷尔大学）；Baidu Inc（百度公司）
一个消息灵通的推荐框架不仅可以帮助用户识别他们感兴趣的项目，而且还可以使各种在线平台的收入受益（例如，电子商务、社交媒体）。传统的推荐模型通常假设用户与商品之间只存在单一的交互行为，无法从多类型的用户行为数据（如页面浏览、添加到收藏夹和购买）中建模出用户与商品之间的多重关系。虽然最近的一些研究提出了捕获不同类型行为之间的依赖关系，但两个重要的挑战很少被探索：i）处理目标行为下的稀疏监督信号（例如，购买）。ii）利用定制的依赖建模来捕获个性化的多行为模式。为了解决上述问题，我们设计了一个新的模型CML，对比Meta学习（CML），为不同的用户维护专用的跨类型的行为依赖。特别是，我们提出了一个多行为对比学习框架，通过构建对比损失提取跨不同类型的行为的可转移知识。此外，为了捕捉不同的多行为模式，我们设计了一个对比Meta网络来编码不同用户的定制行为异质性。在三个真实数据集上的大量实验表明，我们的方法始终优于各种最先进的推荐方法。我们的实证研究进一步表明，对比Meta学习范式提供了很大的潜力，捕捉行为多样性的建议。我们在https://github.com/weiwei1206/CML.git上发布我们的模型实现。
2022-02-17 cs.AI cs.IR cs.LG
