本文提出 Query2Prod2Vec 模型，用于将产品搜索的词汇表示与数字商店中的产品嵌入相联系。 该模型比 NLP 和 IR 文献中已知的技术更准确地提供了产品搜索结果，并着重强调数据效率对超出作大型零售商以外的产品搜索的重要性。

Apr, 2021

本文提出一种名为 MRNet-Product2Vec 的方法，使用区别化的多任务双向循环神经网络，创建商品的通用嵌入，以提高电子商务生态系统中的客户体验和增加收入。经定量和定性评估，表明该方法的性能几乎与稀疏和极高维 TF-IDF 表示相当，降低了将商品表示为特征时的计算复杂度。

Sep, 2017

本文介绍了一种混合矩阵分解模型，通过将用户和项目表示为其内容特征的潜在因素的线性组合，能在各种情况下优于协同过滤、基于内容的模型，特别是在使用用户和项目元数据进行稀缺交互数据的情况下表现优异，并在交互数据丰富的情况下至少与纯协议矩阵分解模型表现一样好，产生的特征嵌入编码了语义信息，类似于词嵌入方法，使它们对一系列相关任务如标签推荐非常有用。

Jul, 2015

通过 masked session 建模的方式，将基于 BERT 的模型 Prod2BERT 迁移到电子商务，与 Prod2vec 进行对比实验并得出结论，提供在各种计算和数据限制下培训嵌入的准则。

Dec, 2020

本文介绍了一种名为 item2vec 的基于嵌入式神经网络方法，用于处理协同过滤问题，该方法的实验结果表明，它能够有效地推断物品之间的关系并且与 SVD 方法具有竞争性。

Mar, 2016

描述了一种基于物品图嵌入算法 (Item-Graph2vec) 的大规模物品推荐系统，该算法通过将用户的购物清单转化为物品共现图，并通过随机游走在该共现图上获取物品序列，最后通过序列样本训练物品向量。实验结果表明，在豆瓣数据集上，Item-Graph2vec 在效率方面比 Item2vec 高 3 倍，并且随机游走采样产生的误差较小。

Oct, 2023

Product2Vec 是一种基于 Word2Vec 方法的表示学习算法，通过对商品进行嵌入，来分析市场结构和制定产品线优化策略，并结合经济理论和因果推断对 Word2Vec 进行改进，以提高预测需求和价格弹性的准确性。

May, 2020

本研究使用 Word2Vec 技术应用于推荐系统领域，通过利用 Check-ins 这一非文本特征向用户推荐地点，实验结果表明使用 Word2Vec 对推荐系统中物品的连续向量表示能够取得良好的效果。

Jan, 2016

本文提出了 BB2vec 模型，通过同时分析购物篮和浏览会话（浏览产品的网页），学习产品的向量表示，用于推荐互补产品，在解决商品冷启动问题上表现更优越。该模型优于仅使用购物篮数据的其他模型。

Sep, 2018

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020