通过增强的表示学习和细粒度实例关系的对比损失，以及关注内在标签分类法的细粒度层次分类损失，我们提出了一种新颖的框架来解决层次化查询分类的挑战，同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明，我们的方法优于专有的 Amazon 数据集上的最先进方法，并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美，这些结果凸显了我们提出解决方案的有效性，并为下一代层次感知查询分类系统铺平了道路。

Mar, 2024

本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

Sep, 2017

提出在电子商务系统中利用神经网络构建深度分层分类框架进行自动分类预测，定义多层次分类树的表示共享策略，引入新的联合损失函数对分层分类进行惩罚，实验证明该方法在分类准确率方面优于现有方法。

May, 2020

本文介绍了一种基于分类术语的潜在因子模型 (TF)，并将其用于推荐系统，以提高推荐精度和处理数据稀疏性和冷启动问题，该模型将分类术语与潜在因素相结合，并使用加法模型。同时，该模型还利用高阶马尔科夫链考虑到用户兴趣的时间动态和能够处理大规模数据。使用真实世界的购物数据集进行实验证明该模型比现有方法具有更好的推荐性能和运行时间。

Jun, 2012

本文提出了一种名为 HierCat 的查询分类系统，该系统通过使用双编码器体系结构的多任务预训练和分层推理步骤来从弱监督训练数据中有效地学习，以解决 Facebook Marketplace 等客户对客户电子商务平台上查询分类的挑战。实验结果表明，HierCat 不仅在离线实验中优于常用方法，而且在实际应用中，Facebook Marketplace Search 的 NDCG 指标有了 1.4% 的提升，并且搜索者的参与度增加了 4.3%。

Feb, 2023

本篇论文总结了商品推荐的独特特点和常见方法，讨论了训练目标的不同选择，提出了适合于常规推荐和点积模型的效率更高的学习算法，并探讨了商品推荐在检索任务中的应用。

Jan, 2021

购买再次推荐（BIA）对零售商至关重要，通过基于客户自身的重复购买模式建议他们可能再次购买的物品，有助于改善用户体验和网站互动。本文提出了一种层次化的 PCIC 模型推荐系统，由个性化的类别模型（PC 模型）和类别内物品模型（IC 模型）组成，用于生成客户可能再次购买的类别以及类别内客户可能消费的物品，以捕捉产品的总体消费率和消费趋势。PCIC 模型在四个标准开放数据集上与十二个现有基准方法进行比较，能够提高 NDCG 达到 16％，同时将召回率提高约 2％。PCIC 模型在一个大型数据集（1 亿个客户和 300 万个物品）上进行了规模化训练（8 小时以上），并在一家主要零售商的网站上进行了部署和 AB 测试，取得了显著的客户互动效果提升。

Jul, 2023

本文提出了层次扩展框架 (HEF)，旨在更好地利用分类法的分层结构进行分层扩展。HEF 在多个方面利用分类法的分层结构，利用亲属关系检测和几个树独特功能来评估其子树的连贯性，并引入适合度评分来选择最优位置，将信息交换用于消歧和自我纠正。该模型在三个基准数据集上的实验表明，通过更好地利用层次结构和优化分类法的连贯性，HEF 在准确性和平均倒数排名方面平均提高了 46.7% 和 32.3% 的精度，远远超过了之前的最佳水平。

Jan, 2021

本研究介绍了 HiMeCat，一种基于嵌入式生成框架的弱监督文档分类方法，它能够有效地整合文本、元数据和标签层次结构，并通过数据增强和联合表示学习模块进一步优化分类效果。

Oct, 2020

本文提出了一种自我监督和用户行为导向的产品分类法拓展框架，通过从现有的分类法和用户点击日志中抽取用户感兴趣的候选下义词关系并利用预训练语言模型和图神经网络结合对比学习来建模概念和关系，以自动将新概念附加到现有分类法，从而减少手动更新的人力成本。

Mar, 2022