Mar, 2018

个性化产品特征提取：从非结构化数据中学习属性，以推荐时尚产品

PDF
TL;DR通过细节化和有连续性的产品信息来解决电子商务中的个性化、需求预测和产品规划难点，本文详细描述了 ASOS 在此方面的架构和方法，并展示了它在混合推荐系统中的应用。
e-commercepersonalisationproduct informationasosrecommendations
发现论文，激发创造
  • 大规模产品分类与结构化 / 非结构化属性

    本文研究了使用基于层次模型和平面模型的两个深度学习模型，以及结合结构化和非结构化特征的卷积滤波的新方法，以解决电子商务中几千个类别和数百万个产品的产品分类问题。

    Mar, 2019

  • 时尚电商尺码推荐系统中整合顾客评论

    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

  • 重新思考电子商务搜索

    电子商务的搜索和推荐通常是在结构化数据上运行，但是在创建更好的搜索和推荐系统时，通常需要大量的非结构化数据，包括客户评论和网络文章。有别于传统的将非结构化数据转化为结构化数据的方法，我们提出了一种完全相反的解决方案，将结构化数据转化为文本数据，并通过 LLMs 对其进行搜索和推荐。

    Dec, 2023

  • 时尚电商服装尺码和大小预测的深度学习系统

    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

  • 上下：用单类协同过滤模型建模时尚趋势的视觉演化

    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

  • SK Planet 的视觉时尚产品搜索

    使用视觉搜索和反向索引的方法，基于多个时尚属性和颜色、图案等视觉特征，构建了一个大规模的时尚商品搜索系统。

    Sep, 2016

  • 自动从非结构化多语言 Web 数据中提取精细化标准化产品信息

    该论文展示了最近机器学习的进展，结合已发表的标准化细粒度产品类别信息的多语言数据集，使得在具有挑战性的迁移学习设置中实现了可靠的产品属性提取，可以跨在线商店、语言或两者可靠地预测产品属性，并且可用于匹配在线零售商之间的产品分类法。

    Feb, 2023

  • 面向属性的可解释补充服装推荐

    本研究旨在通过提出一种新的基于属性信息的时装推荐器（AFRec），来解决时尚推荐任务中的可解释性挑战。AFRec 推荐器通过显式地利用每个项的视觉特征提取的属性级别表示来评估服装的兼容性。通过利用显式属性，AFRec 能够在推荐过程中实现最先进的推荐精度和直观的解释。

    Jul, 2021

  • 一种基于可解释机器学习的分析顾客在线数据以识别产品属性重要性的方法

    利用在线顾客数据，结合人工智能和游戏理论，本研究提出了一种方法用于产品设计和市场研究，提供全面的顾客需求理解，且在多标准决策的领域中表现优于基准方法。

    Feb, 2024

  • PAE: 基于 LLM 的电子商务时尚趋势产品属性提取

    该论文提出了一种从 PDF 文件中提取属性的高效框架，旨在帮助零售商提前规划商品组合，通过各种模态的属性提取实现了灵活、高效且优于现有最先进技术的结果（平均 92.5% 的 F1-Score）。

    May, 2024