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
UGR: Unified Generative Ranking for Heterogeneous E-commerce Recommendation
Alibaba Group(阿里巴巴集团)
本文提出面向异构电商推荐的统一生成式排序(UGR),通过多商家候选自回归解码及互补反馈监督优化,在淘宝“猜你喜欢”服务中实现核心IPV、交易量、GMV的显著提升。
2026-10-30 cs.IR
Behavioral Feature Boosting via Substitute Relationships for E-commerce Search
Amazon(亚马逊)
通过利用产品间的替代关系,BFS方法有效缓解电子商务新商品的冷启动问题,提升搜索相关性和用户体验。
2026-02-16 cs.IR
SearchGCN: Powering Embedding Retrieval by Graph Convolution Networks for E-Commerce Search
图卷积网络(GCN)是近年来发展起来的一种用于图节点分类、推荐等应用的新方法,但尚未成功应用于工业规模的搜索引擎。在这个建议中,我们介绍了我们的方法,即SearchGCN,在世界上最大的电子商业搜索引擎之一的嵌入式候选检索。实证研究表明,SearchGCN学习更好的嵌入表示比现有的方法,特别是对于长尾查询和项目。因此,SearchGCN自二零二零年七月起已部署于JD.com的搜索产品中。
2021-07-01 cs.IR
Delving into E-Commerce Product Retrieval with Vision-Language Pre-training
本文提出一种基于对比学习的视觉-语言预训练方法,结合定制负采样方案,用于解决淘宝搜索中的大规模产品检索问题,并已在线部署服务数亿用户。
2023-04-17 cs.IR
Cluster Language Model for Improved E-Commerce Retrieval and Ranking: Leveraging Query Similarity and Fine-Tuning for Personalized Results
本文提出利用K-Means对查询聚类并在各簇上微调聚类语言模型,以较低训练成本改进电商检索准确性,实现优于双编码器模型的个性化检索结果。
2023-09-25 cs.IR
From Semantic Retrieval to Pairwise Ranking: Applying Deep Learning in E-commerce Search
我们将深度学习模型引入到全球最大的电子商业平台之一JD.com的产品搜索中最重要的两个阶段。具体来说,我们概述了一个深度学习系统的设计,该系统可以在几毫秒内检索与查询语义相关的项目,以及一个成对的深度重新排名系统,该系统可以学习微妙的用户偏好。与传统的搜索系统相比,本文提出的方法在语义检索和个性化排序方面有了明显的改进。
2021-03-24 cs.AI cs.IR cs.LG
Semantic-enhanced Modality-asymmetric Retrieval for Online E-commerce Search
本文提出SMAR模型,通过融合商品视觉与文本信息解决电子商务搜索中查询单模态、商品多模态的非对称检索问题,显著提升了检索准确率并开源了工业数据集。
2025-06-25 cs.IR
Fine-tune BERT for E-commerce Non-Default Search Ranking
电子商业平台上的非默认排名的质量,例如基于物品价格上升或历史销售量下降,通常遭受严重的相关性问题,因为不相关的物品更容易暴露在排名结果的顶部。在这项工作中,我们提出了一个两阶段的排名方案,首先通过精确的查询/标题关键字匹配来召回广泛的候选项,然后使用对人类标签数据进行微调的BERT-Large对召回的项进行分类。我们还在多个GPU主机和Tensorflow的C++标记化自定义操作上实现了并行预测。在这个数据挑战中,我们的模型在监督阶段获得了第一名(基于整体F1得分),在最终阶段获得了第二名(基于每个查询的平均F1得分)。
2020-08-21 cs.CL cs.IR
A Survey on E-Commerce Learning to Rank
eBay(易趣)
针对电商平台核心排序算法不公开且缺乏相关广泛综述的问题,本研究综述现有电商排序学习算法,并在大型真实数据集上基于查询相关性进行比较与定量分析,是首个包含此类实验比较的综述。
2024-11-19 cs.AI cs.IR cs.LG
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
Joint Optimization of Relevance and Engagement in Multi-Task Ranking for E-Commerce with Efficient LLM Supervision
DoorDash Inc.(DoorDash公司)
提出一个生产级多任务排序系统,通过序数相关头与统一价值模型联合优化相关性和参与度,并利用微调轻量级LLM生成三级序数相关标签,显著提升语义对齐同时保持核心参与目标。
2026-05-26 cs.IR
Advancing Re-Ranking with Multimodal Fusion and Target-Oriented Auxiliary Tasks in E-Commerce Search
JD.com, Inc.(京东集团)
针对电商搜索重排序中多模态信息整合不足的问题,提出融合注意力多模态技术与排序对齐辅助任务的ARMMT方法,京东实验显示其CVR提升0.22%,达SOTA水平,助力GMV增长。
2024-08-11 cs.CV cs.IR
Optimizing E-commerce Search: Toward a Generalizable and Rank-Consistent Pre-Ranking Model
针对电商搜索精排前阶段,提出通用且排序一致的GRACE模型,通过多二分类任务和对比学习提升排序一致性与泛化性,离线AUC提升0.75%,在线CVR提升1.28%。
2024-08-21 cs.IR cs.LG
Towards Personalized and Semantic Retrieval: An End-to-End Solution for E-commerce Search via Embedding Learning
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。在当今的电子商业搜索中存在两个关键挑战:如何检索语义相关但与查询词不精确匹配的项目,以及如何检索对于相同搜索查询的不同用户而言更加个性化的项目。在本文中,我们提出了一种称为DPSR的新方法,它代表深度个性化和语义检索,以解决这个问题。解释,我们分享我们的设计决策,如何架构一个检索系统,以有效地服务于行业规模的交通,以及如何训练模型,以准确地学习查询和项目语义。基于离线评估和实时流量的在线A/B测试,我们表明DPSR模型优于现有模型,DPSR系统可以检索更多个性化和语义相关的项目,显着改善用户的搜索体验+1.29%的转换率,特别是长尾查询+10.03%。因此,自二零一九年起,我们的DPSR系统已成功应用于JD.com的搜索产品。
2020-06-05 cs.IR
Accelerating E-Commerce Search Engine Ranking by Contextual Factor Selection
在工业大规模搜索系统中,例如Taobao.com搜索商品,通过从复杂的过程中引入更多的因素,例如,用于提取图像因子的深度神经网络。同时,这些因素的增加也增加了对计算资源的需求,增加了系统的响应延迟。已经观察到,搜索实例通常只需要一小组有效因子,而不是所有因子。因此,去除无效因素显著提高了系统效率。本文研究了\emph{Contextual Factor Selection}(CFS)算法,该算法针对每个搜索实例只选择一个有效因子子集,在搜索质量和响应延迟之间取得了较好的平衡。我们将CFS注入到搜索引擎的排名评分中,以加速引擎,同时考虑排名的有效性和效率。CFS模型的学习涉及到一个组合优化问题,它被转化为一个序列决策问题。通过强化学习来解决这个问题,我们提出了RankCFS,它已经在离线环境和真实世界的在线环境(淘宝网)中进行了评估。实验结果表明,本文提出的CFS方法在离线环境下的性能优于现有的几种有监督/无监督的特征选择方法,在日常测试和$2017$的光棍节购物节测试中,在服务延迟方面也取得了显着的实际性能改善。
2018-03-14 cs.IR
SSR-GRPO: Integrating Supervision and Semantic IDs into Reinforcement Learning for Dense Retrieval in E-commerce
Alibaba Group(阿里巴巴集团)
该研究针对电商嵌入检索的语义处理难题,提出SSR-GRPO模型,通过双视角相关性评估、难负样本挖掘等策略优化R-GRPO,经实验验证有效并已部署于大规模电商平台。
2026-08-21 cs.IR
A Preference-oriented Diversity Model Based on Mutual-information in Re-ranking for E-commerce Search
本文提出PODM-MI模型,通过变分推断捕捉用户多样性偏好并最大化与候选物品的互信息,在电商搜索重排序中平衡准确性与多样性,实验和部署验证了其有效性。
2024-05-24 cs.AI cs.IR
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
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
Synthetic Data Powers Product Retrieval for Long-tail Knowledge-Intensive Queries in E-commerce Search
Taobao & Tmall Group of Alibaba(阿里巴巴淘宝和天猫集团)
本文提出一种高效的数据合成框架,用于处理电商搜索中长尾知识密集型查询,通过隐式提炼强大离线查询重写模型的能力,提升检索效果。
2026-04-27 cs.IR
Scaling Cross-Domain Content-Based Image Retrieval for E-commerce Snap and Search Application
Clarifai(Clarifai公司)
在ECIR 2022的这个行业演讲中,我们说明了我们如何使用级联方法以及我们的视觉搜索和分类功能的组合来解决大规模跨域基于内容的图像检索的主要挑战。具体来说,我们提出了一个系统,能够处理的数据规模为电子商业的使用和跨域的查询和画廊图像池的性质。我们展示了在现实世界的电子商业快照和搜索用例中应用的方法及其对排名和延迟性能的影响。
2022-04-13 cs.CV 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
MMRM: A Multiplex Multimodal Representation Model for Product Ranking in E-commerce Search
针对电子商务搜索排名中多模态信息利用的局限,提出MMRM框架,通过共享主干从多信号学习生成多重商品表示,引入多重用户表示策略,并经实验验证其有效性,已成功应用于京东搜索引擎提升性能。
2026-07-14 cs.IR cs.LG cs.MM
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
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
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
RAD-DPO: Robust Adaptive Denoising Direct Preference Optimization for Generative Retrieval in E-commerce
Peking University(北京大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
针对生成检索中直接偏好优化的局限性,提出RAD-DPO方法,通过梯度分离保护前缀结构、动态奖励加权缓解标签噪声、全局对比学习扩展正样本覆盖,提升检索精度和训练效率。
2026-04-28 cs.IR
Marginal Expected Revenue for Jointly Ranking Auction and Fixed-Price Listings in E-Commerce Sponsored Search
eBay(易趣)
该研究提出边际千次展示预期成本(meCPM)框架,将固定价格eCPM扩展至拍卖及ABIN商品,实现多格式列表统一排名,经在线A/B测试验证可提升收益与用户指标并已落地生产。
2026-09-03 cs.IR cs.LG
ICEGR: An Intent-Coherent End-to-End Generative Retrieval Framework for E-commerce Search
Baidu(百度);Beihang University(北京航空航天大学);Renmin University of China(中国人民大学)
本文针对现有电商搜索生成式检索方法的意图一致性问题,提出ICEGR框架,通过三个组件优化后,在离线指标及百度电商搜索A/B测试中均取得显著性能提升。
2026-09-11 cs.IR
Towards More Relevant Product Search Ranking Via Large Language Models: An Empirical Study
本文针对电商搜索排序缺乏黄金标准的问题,提出利用LLMs生成标签和特征以提升基于内容相关性的预测能力,并通过sigmoid变换极化相关性分数,结合在线与离线实验验证了该方法能更有效平衡内容与交互相关性。
2024-09-26 cs.IR
A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce
针对电商搜索与推荐场景差异捕捉不足及全局标签信息利用不充分的问题,提出统一框架USR,通过IE、FG和GLMT联合建模,显著提升多场景排序性能并已上线7Fresh App。
2024-06-12 cs.IR
GRIT: Graph-based Recall Improvement for Task-oriented E-commerce Queries
本文提出GRIT方法,通过构建商品相似度图并利用邻居节点的语境与动作相关性来改进任务型电商查询的第一阶段召回,在多种检索方法上最高提升6.3%召回率。
2025-02-16 cs.IR
Pre-training Tasks for User Intent Detection and Embedding Retrieval in E-commerce Search
在一般语料库上预训练的BERT风格模型(例如,Wikipedia)和针对特定任务语料库的微调,最近已经成为许多NLP任务中的突破性技术:问答,文本分类,序列标记等。然而,这种技术可能并不总是有效,特别是对于两种情况:包含与一般语料库Wikipedia非常不同的文本的语料库,或者为了特定目的学习嵌入空间分布的任务(例如,近似最近邻搜索)。在本文中,以解决上述两种情况下,我们遇到的工业电子商业搜索系统,我们提出了定制和新的预训练任务的两个关键模块:用户意图检测和语义嵌入检索。微调后的自定义预训练模型小于BERT基础大小的10%,以便对成本有效的CPU服务是可行的,显着改善了其他基线模型:1)没有预训练模型和2)在离线数据集和在线系统上使用一般语料库从官方预训练的BERT微调模型。为了可重复性和未来的工作,我们开放了我们的数据集。
2022-08-22 cs.IR
Attention Weighted Mixture of Experts with Contrastive Learning for Personalized Ranking in E-commerce
针对电商排序中特征交互个性化建模不足、长尾用户排序效果差的问题,提出结合对比学习的注意力加权混合专家模型,通过MoE捕捉个性化交互、对比损失提升长尾泛化,性能优于SOTA且已落地京东搜索。
2023-06-08 cs.IR cs.LG
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
Progressive Refinement of E-commerce Search Ranking Based on Short-Term Activities of the Buyer
eBay Inc.(eBay公司)
本文提出基于买家短期行为的电商搜索排名渐进优化方法,通过逐步引入上下文信息提升搜索结果质量。
2025-12-15 cs.IR cs.LG
Text-Guided Visual Representation Learning for Robust Multimodal E-Commerce Recommendation
Tsinghua University(清华大学)
本文提出Text-Guided Q-Former框架,通过结构化元数据指导视觉令牌提取,提升多模态检索的鲁棒性,实验表明其在电子商务数据集上显著提升了检索性能。
2026-05-17 cs.IR
UniSGR: Unified Framework for Semantic ID Generation and Ranking
Alibaba International Digital Commerce Group(阿里巴巴国际数字商业集团)
针对推荐系统中生成式检索的多目标排序问题,提出UniSGR框架。采用两阶段训练范式,引入任务感知令牌和语义树注意力策略,实验证明其有效性和可扩展性。
2026-07-07 cs.IR
Generative Retrieval for E-commerce: Jointly Learning Embedding and Codebook with Same Product Cluster
Alibaba Group(阿里巴巴集团)
该研究针对电商生成式检索的级联训练误差累积与交互建模不足问题,提出联合训练嵌入模型和码本并引入产品聚类监督的方法,有效提升了检索性能。
2026-09-01 cs.AI cs.IR
Off-line vs. On-line Evaluation of Recommender Systems in Small E-commerce
在本文中,我们提出了我们的工作对比较在线和离线的评价指标的背景下,小型电子商业推荐系统。由于互动量较低和用户忠诚度较低,小型电子商业企业的推荐具有相当大的挑战性,很少超过单个会话。另一方面,我们通常不得不处理较少量的对象,这些对象更容易被用户通过各种浏览/搜索GUI发现。本文的主要目标是确定离线评估指标的适用性,在学习真正的可用性推荐系统(评估在线A/B测试)。总共有800种推荐算法的变体被离线评估。18项指标,涵盖基于评级、基于排名、新颖性和多样性评估。离线的结果进行了比较,然后与在线评价的12个选定的推荐变量和结果的基础上,我们试图学习和利用离线到在线的结果预测模型。离线结果表明,在性能w.r.t.不同的指标与帕累托前沿覆盖68%的方法。此外,我们观察到,在线结果受到用户的新颖性的影响。对于新手用户,在线指标与基于排名的指标(AUC,MRR,nDCG)呈正相关,而过高的多样性和新颖性值对他们的在线结果产生了负面影响。然而,对于访问项目较多的用户,多样性变得更加重要,而基于排名的度量相关性逐渐降低。
2020-06-09 cs.IR
OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search
Kuaishou Technology(快手科技)
针对传统电商搜索多阶段级联架构的碎片化与目标冲突问题,提出首个工业级端到端生成式框架OneSearch,通过三项核心创新实现性能与效率双提升,已在快手多场景部署。
2025-10-22 cs.IR
Beyond Keywords and Relevance: A Personalized Ad Retrieval Framework in E-Commerce Sponsored Search
在大多数赞助搜索平台上,广告商对其广告(广告)的某些关键字进行出价。给定搜索请求,广告检索模块将查询重写为竞价关键词,并以竞价关键词为关键词通过倒排索引选择TopN广告。以这种方式,当广告商不对相应的关键字出价时,即使查询是相关的,也不会检索到广告。此外,大多数广告检索方法将重写和广告选择视为两个独立的任务,并专注于提高搜索查询和广告之间的相关性。近年来,在电子商业赞助搜索中引入了越来越多的个性化信息,如用户简档、长时间和实时点击等。个性化信息使得广告检索能够采用更多的元素(例如实时点击)作为搜索信号和检索关键字,然而它使得广告检索更难以测量通过不同信号检索的广告。为了解决这些问题,我们提出了一个新的广告检索框架,超越关键字和相关性在电子商业赞助搜索。首先,我们使用历史广告点击数据初始化一个分层网络表示的信号,键和广告,其中个性化信息的介绍。然后,我们训练一个模型的层次网络的顶部,通过学习边的权重。最后,我们根据模型选择最好的边缘,提高RPM/CTR。在我们的电子商业平台上的实验结果表明,我们的广告检索框架取得了良好的性能。
2018-04-23 cs.IR stat.ML
ListBERT: Learning to Rank E-commerce products with Listwise BERT
对于拥有无数产品的电子商业平台来说,高效搜索是一个关键组成部分。每天都有数以百万计的用户在搜索符合他们需求的产品。因此,在顶部显示相关产品将增强用户体验。在这项工作中,我们提出了一种新的方法,融合了变压器为基础的模型与各种列表损失函数的排名电子商业产品,用户查询。我们在时尚电子商业语料库上预训练了一个RoberTa模型,并使用不同的列表损失函数对其进行了微调。我们的实验表明,与其他流行的列表损失函数,如ListNET和ListMLE相比,与基于NDCG的代理损失函数(approxNDCG)微调的RoBERTa模型实现了13.9%的NDCG改进。与基于成对RankNet的RoBERTa模型相比,基于近似NDCG的RoBERTa模型也实现了20.6%的NDCG改进。我们称我们的方法直接优化的RoBERTa模型在一个端到端的方式与列表代理损失函数作为ListBERT。由于在实时搜索设置中有低延迟的要求,我们展示了如何通过使用知识蒸馏技术来轻松采用这些模型来学习一个以代表为中心的学生模型,该模型可以轻松部署,并导致排名延迟降低约10倍。
2022-06-30 cs.IR
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
Analysis of E-commerce Ranking Signals via Signal Temporal Logic
Amazon Search(亚马逊搜索)
通过学习排序模型检索的文档的时间位置可以被视为信号。信号携带有用的信息,例如文档随时间或用户行为的下降或上升。在这项工作中,我们建议使用的逻辑形式主义,称为信号时序逻辑(STL),以表征文档行为的排名相应的指定公式。我们的分析表明,有趣的文档行为可以很容易地形式化和检测感谢STL公式。我们在10万个产品信号的数据集上验证了我们的想法。通过所提出的框架,我们发现有趣的模式,如冷启动,热启动,尖峰,并检查它们如何影响我们的学习排序模型。
2021-01-14 cs.FL cs.IR cs.LG
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
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
Generator and Critic: A Deep Reinforcement Learning Approach for Slate Re-ranking in E-commerce
Alibaba Group(阿里巴巴集团)
与逐点排序相比,石板重排序问题考虑了项目之间的相互影响,以提高电子商业中的用户满意度。以前的作品要么直接排名项目的端到端的模型,或排名项目的评分功能,权衡点的分数和项目之间的差异。然而,有两个主要的现有挑战没有得到很好的研究:(1)由于一个石板中的项目之间的复杂的相互影响,石板的评估是困难的;(2)即使给出最优评估,搜索最优石板也是具有挑战性的,因为动作空间是指数级的。在本文中,我们提出了一种新的生成器和评论家石板重新排名的方法,其中的评论家评估石板和生成器排名的项目通过强化学习的方法。我们提出了一个完整的石板批评(FSC)模型,认为真正的印象深刻的项目,并避免了现有模型的印象偏见。对于Generator,为了解决大动作空间的问题,我们提出了一种新的探索强化学习算法,称为PPO-Exploration。实验结果表明,FSC模型的性能明显优于现有的评价方法,PPO-Exploration算法的性能明显优于现有的强化学习方法。Generator和Critic方法在世界上最大的电子商业网站之一的现场实验中提高了石板效率(4%的gmv和5%的订单数)和多样性。
2020-05-25 cs.IR cs.LG stat.ML
Answer Ranking for Product-Related Questions via Multiple Semantic Relations Modeling
许多电子商务网站现在提供特定产品的问答平台,供用户在网上购物时通过发布和回答问题来相互交流。然而,普通用户提供的多个答案通常在质量上变化很大,因此需要为每个问题适当地排名以提高用户满意度。可以观察到,产品评论通常为给定的问题提供有用的信息,因此可以帮助排名过程。在本文中,我们研究了产品相关问题的答案排名问题,与相关的评论作为辅助信息,可用于促进排名。我们提出了一个名为MUSE的答案排名模型,它仔细地模拟了问题,答案和相关评论之间的多种语义关系。具体来说,MUSE以问题、每个答案和每个评论片段为节点构建了一个多语义关系图。然后设计了一个定制的图卷积神经网络,用于显式建模问题和答案之间的语义相关性,答案之间的内容一致性,以及答案和评论之间的文本蕴涵。在三个产品类别的真实电子商务数据集上进行的大量实验表明,我们提出的模型在相关答案排名任务上取得了优异的性能。
2020-06-28 cs.IR
RedMall: Generative Recommendation for Large-Scale E-commerce
Xiaohongshu Inc(小红书);Tongji University(同济大学)
本研究针对现有生成式推荐的三大缺陷,提出面向大规模电商的RedMall生成式推荐器,经多数据集实验与在线测试,其在多项核心指标上均优于基线模型,且电商业务相关指标获显著提升。
2026-11-09 cs.IR
Product Review Image Ranking for Fashion E-commerce
Myntra Design Pvt Ltd(Myntra设计私人有限公司)
本文针对时尚电商中顾客评论图像排序问题,提出一种基于失真技术构造训练数据的简单有效排序方法,并在相关系数和准确率上显著优于基线模型。
2023-08-10 cs.CV cs.IR cs.LG
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