本文研究了 Tmall 上售货商销售预测的情况，发现销售具有季节性和 Tweedie 分布特征，为此提出了季节性提取和分布转换两种销售预测机制，并将其应用于神经网络和梯度提升决策树等回归模型，实验结果表明两种机制均能显著提高预测效果。

Feb, 2020

FARFETCH 平台的时尚推荐 challenge 采用验证阶段和测试阶段的数据，训练和测试参与者对产品的点击顺序进行预测。我们设计了一种考虑产品与用户情境相似度的上下文感知系统，以更有效地排列产品并在测试数据上获得了 0.4784 的 MRR。

Sep, 2021

引入了 Context-Based Prediction Models 这一概念，通过仅依赖用户和环境特征，而不考虑物品特定特征的方式来预测用户的行为概率，该方法在许多有价值的应用中表现出显著优势，包括训练辅助的上下文模型以估计点击概率，并将其预测作为 CTR 预测模型的一个特征进行加入，实验证明这种改进在离线和在线业务指标上带来了显著的提升，而对服务成本几乎没有影响，总体上，我们的工作为大规模商业推荐系统的性能提升提供了一种简单且可扩展却强大的方法，对个性化推荐领域具有广泛的影响。

Jul, 2023

在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。

Aug, 2017

通过使用机器学习和经验贝叶斯方法的策略性融合，本研究论文深入探讨了如何精确预测客户订单模式，通过有效选择相关特征，取得了客户订单率翻了三倍的显著成果，展示出对电子商务行业带来的变革潜力。

Mar, 2024

本文提出了一种基于图嵌入框架的技术解决方案来应对淘宝推荐系统面临的规模，稀疏以及冷启动三大挑战，并通过离线实验和线上 A/B 测试表明，这种方法在淘宝的生产环境中是有效的和可行的。

Mar, 2018

本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性，该方法将用户之间的社交关系、标签、档案等特征整合在一起，并采用隐性反馈，同时还利用用户行为模型来进行联合预测，并在 KDD-Cup 竞赛中获得了第二名的好成绩。

May, 2021

本论文通过使用历史数据进行用户流失预测的详尽研究，旨在创建模型预测客户流失概率，帮助企业了解流失趋势并制定有效的留存计划。我们的方法将流失预测视为多变量时间序列分类问题，并展示在复杂的商业与客户背景中，结合用户活动和深度神经网络可实现出色的流失预测结果。

Sep, 2023

该研究使用基于 Transformer 模型的深度学习方法，通过捕捉用户行为序列中的顺序信号来改进推荐系统，实验结果表明相较于基线算法，该模型在淘宝上线后获得显著的点击率提升。

May, 2019

推荐系统通过分析用户的购物历史提供准确的推荐。然而，在真实应用中，用户更喜欢价格最低的电子商务平台。本研究假设任何电子商务平台都能完整记录用户的历史，但只能访问其中的一部分，如果推荐系统能够首先预测丢失的部分并正确丰富用户的购物历史，则可以更准确地推荐下一个商品。我们的推荐系统利用用户的购物历史来提高预测准确性，所提出的方法在 NDCG@10 和 HR@10 指标上取得了显著改进。

Mar, 2024