本文提出了一种基于深度学习的内容协作方法，用于个性化尺寸和合适度建议，以提高顾客满意度并减少因尺码相关的退货所产生的成本，该方法可以模拟客户和文章数据，并能够为单个帐户背后的多个个体或意图进行建模。

Jul, 2019

本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

Feb, 2016

本文提出了一种基于双向 LSTM 的视觉 - 语义嵌入方法，可以为线上时尚购物提供更有效的推荐服务，实验结果表明该方法在 Polyvore 数据集上具有优秀的性能。

Jul, 2017

我们提出了一种新颖的序列分类方法，结合隐式（Add2Bag）和显式（ReturnReason）的用户信号，用于准确和个性化的尺码推荐。通过使用 Add2Bag 交互，我们将用户覆盖率提高了 24.5%。此外，我们通过实验评估了模型在实时推荐场景中的可用性和延迟性能。

Jan, 2024

提出了一种能够利用顾客评价信息与顾客、产品特征来进行尺码预测的新方法，与仅使用产品和顾客特征的方法相比，该方法在四个不同数据集上显示出 1.37% 至 4.31% 的 F1 得分提升。

Aug, 2022

本研究提出了一种基于深度神经网络的 “时尚 DNA” 方法，通过标签和图像等信息预测大量常见顾客的购买行为，同时生成客户风格偏好的双重空间，利用时尚基因向量和客户风格向量的乘积预测购买概率，基于文章信息生成无偏购买概率，推荐力度强，适用于各种顾客。

Sep, 2016

通过对电子商务中产品资料层次结构的非线性关系进行全球训练，将跨系列信息融入到 LSTM 模型中，从而实现产生准确可靠的销售预测的目标。同时，提出了系统性的预处理框架和产品分组策略，以克服电子商务中的挑战。

Jan, 2019

通过深度学习等方法应对数据量大、不规则、目录更替频繁、固定库存假设等挑战，对在线时尚行业的需求预测问题进行建模分析，并展示了该方法合理有效的实证结果。

May, 2023

本文提出了一种基于深度神经网络和贝叶斯个性化排名的新方法，利用产品嵌入和 skip-gram 模型来捕捉用户的口味、隐含特征和身体形状以预测退货可能性，进行了一些实时实验以减少时装电子商务平台的总退货量。

Jun, 2019

本研究使用基于循环神经网络的深度生存分析模型，仅利用个体客户行为预测其购买行为，不需要耗时的特征工程过程，旨在帮助全球零售商提高客户留存率，从而提高业务利润。

Apr, 2023