该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

Jul, 2018

本研究提出了一种创新的框架，将 BERT 用于分类、有条件随机场（CRFs）层用于属性值提取，以及大型语言模型（LLMs）用于数据标注，显著提高了对顾客查询中属性的识别能力。通过在电子商务数据中细致的产品类型和属性间的关系上引入装饰关系修正机制，并使用 LLMs 将附加数据标注为模型的完善和覆盖提供支持，我们的方法在不同数据集上进行了验证，并在 Walmart 的 Sponsor Product Search 中得到了令人期待的结果，彰显了其实用性和有效性。

Dec, 2023

本文提出了一种命名实体抽取系统，用于检测像沃尔玛这样的电商零售商产品标题中的属性。我们发现，将条件随机场和结构化感知器等序列标注算法与策略标准化方案结合起来，可以有效地从标题中提取产品属性值。

Aug, 2016

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

通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

Jun, 2018

应用先进的机器学习模型（特别是 LSTM 和 BERT）进行文本分类以预测零售行业中的多个类别，并演示了如何应用数据增强技术和焦点损失函数可以显著提高使用强大的巴西零售数据集将产品分类到多个类别的准确性。

Mar, 2024

利用深度学习技术和 Corporación Favorita 数据集，我们提出三种替代方案来解决具体的需求预测问题，设计了一种简单的序列到序列的体系结构以及在此基础上的训练技巧，达到了约 0.54 的 RMSLE 的好性能。

Apr, 2022

这篇论文提出了一种基于深度学习的方法，从各种电子商务网站的用户评论中提取产品比较信息。通过使用 LSTMs 能够很好地捕捉它们之间的相互依赖关系，该系统在现有的手动标记数据集上表现出较强的性能，超越了现有的语义角色标注（SRL）框架。

Oct, 2023

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

本研究提出了一种集成神经网络模型 —— 自适应 Boosting LSTMs with Attention，通过适应性增强的多个 LSTM 分类器的集成，能够构建更加有效和稳健的联合神经网络关系提取器，实验结果表明，该模型相对于现有的最先进模型，F1 得分提高了约 8%。

Jan, 2018