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
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
Improving Search Suggestions for Alphanumeric Queries
eBay Inc.(eBay公司);University of Surrey(萨里大学)
本文提出一种无需训练的字符级检索框架,通过固定长度二进制向量编码字母数字序列,利用汉明距离高效计算相似性,并支持大规模标识符库的最近邻检索,同时通过编辑距离优化精度,适用于生产部署。
2026-04-01 cs.IR
Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(中国科学技术大学认知智能全国重点实验室);Kuaishou Technology(快手科技)
本文提出了一种面向情境感知的推理增强生成搜索框架,通过整合上下文信息和改进推理能力,提升电子商务搜索推荐的性能。
2026-02-13 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
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
A Data-Centric Approach to Multilingual E-Commerce Product Search: Case Study on Query-Category and Query-Item Relevance
Beijing Jiaotong University(北京交通大学);Xi’an University of Architecture and Technology(西安建筑科技大学);Harbin University of Science and Technology(哈尔滨理工大学);Cangzhou Jiaotong College(沧州交通学院)
针对多语言电商搜索的数据不平衡与标签噪声问题,提出架构无关的数据中心框架,通过翻译增强、语义负采样和自验证过滤重构训练数据,在CIKM AnalytiCup 2025上显著提升F1分数,证明数据工程可媲美甚至优于复杂模型改进。
2025-10-24 cs.IR
Deep Hierarchical Classification for Category Prediction in E-commerce System
Alibaba Group(阿里巴巴集团)
在电子商业系统中,类别预测是对给定文本的类别进行自动预测。与传统的类与类之间没有关系的分类不同,类别预测被认为是一个标准的层次分类问题,因为类别通常被组织成一个层次树。在本文中,我们解决层次类别预测。提出了一种深度层次分类框架,该框架将多尺度层次信息融入神经网络,并引入了一种基于类别树的表示共享策略。我们还定义了一个新的组合损失函数来惩罚分层预测损失。实验结果表明,该方法在精度上优于现有方法.
2020-05-14 cs.IR cs.LG
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
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
A Chain-of-Thought Approach to Semantic Query Categorization in e-Commerce Taxonomies
eBay Inc, USA(eBay公司);eBay Inc, Germany(eBay公司)
本文提出基于链式思维的电子商务查询分类方法,结合树搜索与LLM语义评分,提升分类准确性和扩展性。
2026-01-01 cs.CL cs.IR
On Recommending Category: A Cascading Approach
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);eBay Inc.(eBay公司)
本文提出了一种级联类别推荐器模型,利用变分自编码器编码物品信息以实现类别级推荐,提升了推荐效果。
2025-12-17 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
DeepCAT: Deep Category Representation for Query Understanding in E-commerce Search
Emory University(埃默里大学);The Home Depot(家得宝)
将搜索查询映射到产品分类中的一组相关类别在电子商业搜索中是一个重大挑战,原因有两个:1)由于有偏见的点击行为,训练数据表现出严重的类不平衡问题,以及2)具有很少客户反馈的查询(例如,尾查询)在训练集中没有很好地表示,并且导致查询理解的困难。为了解决这些问题,我们提出了一个深度学习模型DeepCAT,它学习联合词-类别表示以增强查询理解过程。我们相信,学习类别的相互作用,有助于提高少数类,尾部和躯干查询的类别映射的性能。DeepCAT包含一个新的词-类别表示模型,该模型基于训练集中的词-类别共现来训练类别表示。然后利用类别表示引入一个新的损失函数来估计类别-类别共现,以改进联合词-类别嵌入。为了证明我们的模型对少数类别和尾查询的有效性,我们进行了两组实验。结果表明,DeepCAT在少数类上实现了10%的改进,在最先进的标签嵌入模型上实现了7.1%的尾查询改进。我们的研究结果提出了一个有前途的方向,以改善电子商业搜索的语义建模的分类层次结构。
2021-05-10 cs.CL 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
Click A, Buy B: Rethinking Conversion Attribution in E- Commerce Recommendations
针对电商中“点击 A 购买 B”现象导致转化归因偏差的问题,本文提出多任务框架和分类感知协同过滤加权方案,离线归一化熵降低 13.9%,在线主要业务指标提升 0.25%。
2025-07-20 cs.IR
Breaking the Hourglass Phenomenon of Residual Quantization: Enhancing the Upper Bound of Generative Retrieval
Central South University(中南大学);School of Computer Science and Engineering(计算机科学与工程学院);Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
针对生成式检索中残差量化语义标识符存在的“沙漏”现象,本文明确其成因为数据稀疏与长尾分布,经实验验证影响后提出缓解方案,提升了电商场景下生成式检索的效果。
2024-10-31 cs.AI 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
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
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。
2026-11-18 cs.AI cs.IR
Beyond the Beam: Constructive Repair and Candidate Completion for Generative Recommendation
Beijing Institute of Technology(北京理工大学);China Meteorological Administration(中国气象局);Tsinghua University(清华大学);Singapore Management University(新加坡管理大学)
针对生成式推荐中波束外有效标识符的失败,提出超越波束方法,通过积分流修复分配并补全候选,显著提升召回与排名指标。
2026-09-29 cs.IR
Bridging Modality Gaps in e-Commerce Products via Vision-Language Alignment
提出OPAL框架,利用微调多模态大语言模型从商品图像生成符合模式的高质量描述,通过两种数据精炼方法和直接偏好优化弥合模态差距,在真实数据集上优于基线。
2025-08-13 cs.IR
RL-based Query Rewriting with Distilled LLM for online E-Commerce Systems
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);VinUniversity(越南VinUni大学)
针对电商搜索中查询重写面临的效率与效果平衡问题,提出结合离线知识蒸馏与在线强化学习的混合流水线,利用大语言模型模拟人类反馈,在Amazon ESCI数据集上显著提升查询相关性、多样性和适应性。
2025-06-10 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
MG-ShopDial: A Multi-Goal Conversational Dataset for e-Commerce
针对现有电商对话数据多聚焦单一目标的问题,本文构建 MG-ShopDial 多目标对话数据集,提出指导式人—人收集协议与网页工具,并分析多目标对话模式。
2023-04-25 cs.IR
Aspect category learning and sentimental analysis using weakly supervised learning
电子商务评论的激增对手动注释大量评论以理解其潜在方面和情感提出了挑战。本研究的重点是利用弱监督学习来解决方面类别学习和评论的情感分类。我们的方法涉及到方面和情绪的标签的生成,采用WSL的Snorkel框架,其中包括方面的条款,审查情绪评分,并审查评级作为弱信号的来源。这种创新策略大大减少了处理如此广泛的数据集所需的繁重标记工作。在这项研究中,我们部署了混合模型,即BiLSTM,CNN-BiLSTM和CNN-LSTM,它们利用多个输入,包括评论文本,方面术语和评级。我们提出的模型采用了两个不同的损失函数:多标签分类的Sigmoid激活的二进制交叉熵,使我们能够学习质量,可用性,服务,大小和价格等方面的标签,以及多类分类的Softmax激活的分类交叉熵。随后,我们仔细评估了这三个实现模型的性能指标,包括宏F1得分和宏精度。CNN和Bi-LSTM模型在方面和情感识别上分别获得了0.78和0.79的F1分数。这项研究的成果有望为电子商务平台做出重大贡献,为标记和分析大量用户评论提供一种高效和自动化的方法。
2023-12-24 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
Hierarchical Query Classification in E-commerce Search
Georgia Institute of Technology(佐治亚理工学院);Amazon(亚马逊公司);The Pennsylvania State University(宾夕法尼亚州立大学)
针对电商分层查询分类中类别不平衡、查询短且歧义的问题,提出融合实例与标签层级信息的框架及邻域感知采样技术,在多数据集上取得优异表现。
2024-03-09 cs.IR cs.LG
Analyticup E-commerce Product Search Competition Technical Report from Team Tredence_AICOE
Tredence(Tredence 公司)
本报告提出多语言电商搜索系统,通过数据增强和微调 Gemma-3 12B 与 Qwen-2.5 14B 模型,在 QC 和 QI 相关性任务上取得最佳性能,最终以平均 F1 0.8857 获得第4名。
2025-10-23 cs.CL 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
TXtract: Taxonomy-Aware Knowledge Extraction for Thousands of Product Categories
Columbia University(哥伦比亚大学)
从产品档案中提取结构化知识对于电子商务中的各种应用至关重要。最先进的知识提取方法都是针对单一类别的产品设计的,因此不适用于现实生活中的电子商务场景,这些场景通常包含数千个不同的类别。本文提出了TXtract,一个分类意识的知识提取模型,适用于成千上万的产品类别组织在一个层次分类。通过类别条件自我注意和多任务学习,我们的方法既具有可扩展性,因为它为数千个类别训练单个模型,又有效,因为它提取了特定于类别的属性值。在4,000个类别的分类产品上进行的实验表明,TXtract在F1中的性能比最先进的方法高出10%,在所有类别中的覆盖率高出15%。
2020-05-01 cs.CL cs.IR cs.LG
GSID: Generative Semantic Indexing for E-Commerce Product Understanding
Xianyu of Alibaba(阿里巴巴阿里鱼部门);Taobao&Tmall Group of Alibaba(阿里巴巴淘宝与天猫集团)
针对人工类目与属性难以覆盖长尾商品且不符买家偏好的问题,提出GSID生成式语义索引,通过元数据预训练和面向下游任务的语义编码生成结构化表示,并在真实电商平台验证有效。
2025-09-28 cs.AI cs.IR
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
Cleo: A Transparent and Controllable Chatbot for Conversational Commerce
GESIS – Leibniz Institute for the Social Sciences(GESIS - 莱布尼茨社会科学研究所)
Cleo是一款用于会话式商务的透明可控制聊天机器人,通过混合架构、可审计排序机制等解决LLM的不透明性等问题,为产品搜索决策提供支持。
2026-08-07 cs.HC cs.IR
Unified Vision-Language Representation Modeling for E-Commerce Same-Style Products Retrieval
Alibaba Group(阿里巴巴集团)
同类商品检索是电子商业平台中的一个重要环节,其目的是识别出可能具有不同文字描述或图片的同类商品。可用于不同供应商的同类产品检索或同一供应商的重复产品检测。常用的方法以图像为检测对象,但只考虑了图像的视觉特征,忽略了文本描述中包含的属性信息,对于机械、五金工具、电子元器件等图像不太重要的行业,即使增加文本匹配模块,效果也很差。本文提出了一种面向电子商业同类商品检索的统一视觉语言建模方法,该方法旨在用文本描述和视觉内容来表示同一商品。它包含一个抽样技术,收集积极的对用户点击日志与类别和相关性的约束,和一个新的对比损失单位模型的图像,文本,图像+文本表示到一个联合嵌入空间。它能够进行跨模态的产品到产品检索,以及风格转换和用户交互式搜索。离线测试表明它具有更好的检索性能,在线测试表明它可以吸引更多的点击和转换。此外,该模型已经在世界上最大的B2B电子商业平台alibaba.com上在线部署,用于类似产品检索。
2023-02-20 cs.AI cs.IR cs.MM
Semi-supervised Adversarial Learning for Complementary Item Recommendation
Meta;Amazon(亚马逊公司);University of Klagenfurt(克拉根福大学)
补充项目推荐是现代电子商务网站的普遍特征。当这些建议基于合作信号(如共同购买统计数据)时,它们非常有效。然而,在某些在线市场中,例如,在网上拍卖网站上,不断有新的物品被添加到目录中。在这种情况下,由于缺乏交互数据,补充项目推荐通常基于项目边信息。在这项工作中,我们提出了一种新的方法,可以利用项目边信息和标记的互补项目对,以产生有效的互补推荐冷项目,即,对于尚不存在共同购买统计数据的项目。考虑到补充项通常必须属于与种子项不同的类别,我们在技术上为每个项类别保留了一个潜在空间。同时,我们学习项目分布项目表示到这些类别空间,以确定合适的建议。在我们的架构中的主要学习过程利用标记的互补项对。此外,我们采用了循环生成对抗网络(CycleGAN)的思想,即使在给定项目和类别不存在标记数据的情况下,也可以利用可用的项目信息。在三个电子商务数据集上的实验表明,该方法是非常有效的。
2023-03-10 cs.IR cs.LG
A Semi-supervised Scalable Unified Framework for E-commerce Query Classification
针对电商查询分类中先验信息不足、依赖后验点击导致马太效应及缺乏统一框架的问题,提出半监督可扩展统一框架SSUF,通过知识、标签和结构增强模块统一并优化分类任务,实验证明其显著优于现有模型。
2025-06-26 cs.AI cs.CL cs.IR
Graded-Relevance Composed Multimodal Retrieval for E-commerce Visual Search at Scale
Walmart Global Tech(沃尔玛全球技术)
针对电商视觉搜索中组合图像检索的相关性二元假设问题,提出GradCIR方法,利用VLM生成分级标签、难负样本挖掘和层次感知目标训练检索器,在NDCG@10上提升达5.9%,并已部署于沃尔玛生产系统。
2026-09-22 cs.AI cs.CV 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
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
Revisiting Generative vs. Dense Retrieval: A Static Value Prior Reverses the Gap
Shopify;University of Toronto(多伦多大学)
该研究对比生成式检索与密集检索在推荐任务中的表现,发现静态物品价值先验可逆转生成式检索的价值领先,且工业场景下大模型仍弱于小型密集编码器。
2026-11-06 cs.AI cs.IR cs.LG