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

在电子商务搜索中，通过利用历史查询重构日志，采用远程监控的方法来确定查询的产品意图，进而在搜索引擎中强调定义查询的产品意图的术语，从而改善排名。实验证明比非情境性基线更胜一筹，可以解决查询处理中出现的多种问题。

Aug, 2019

本文介绍了一种基于深度学习的方法来构建大型临床本体的语义搜索系统，该方法使用 Triplet-BERT 模型和直接从本体生成训练数据的方法，并在五个真实基准数据集上进行了评估，在自由文本到概念和概念到概念的搜索任务中取得了高结果。这项方法优于所有基线方法。

Jan, 2022

通过用户行为数据培训产品分类器的新方法，在搜索查询中准确地显式和隐式识别产品对于增强用户体验至关重要。我们的语义模型导致已部署的界面的 CTR（点击率）相对改进超过 25％；空查询率下降超过 50％；展现的应用程序卡数量增加了 2 倍，有助于提升产品可见性。

Apr, 2024

通过训练深度学习模型，使用顾客行为数据，我们开发了一种新的损失函数，并结合 n-gram 和平均池化来捕捉短程语言模式，并使用哈希来处理词汇表外的标记，从而解决语意匹配在产品搜索中的挑战。在离线测试和在线 A/B 测试中，均表现出比基线语意搜索方法更好的召回率和平均准确率。

Jul, 2019

在电子商务搜索中，搜索查询的变化构成了挑战，因为等效的搜索意图可以通过不同的查询表达出来。本文介绍了一个框架，以识别和利用查询等效性来增强搜索者和商业结果。该方法解决了三个核心问题：将查询映射到搜索意图的向量表示、识别表示等效或相似意图的最近邻查询、以及针对用户或业务目标进行优化。该框架利用表面相似性和行为相似性来确定查询等效性。表面相似性涉及基于单词变化、单词顺序、合成以及噪声词对查询进行规范化。行为相似性利用历史搜索行为生成查询意图的向量表示。离线过程用于训练句子相似性模型，而在线的最近邻方法支持处理未见过的查询。实验评估表明了该方法的有效性，优于流行的句子转换模型，并实现了 0.85 的查询相似性皮尔逊相关系数。结果突显了利用历史行为数据和训练模型来识别和利用电子商务搜索中的查询等效性的潜力，提升用户体验和业务结果。鼓励进一步的进展和基准数据集，以促进解决电子商务领域中这一关键问题的解决方案的发展。

Aug, 2023

针对商品分类中的文本表示和算法效率问题，我们提出了一种新的分布式语义表示方法和两层集合式分类器来降低错误率，实验结果表明，我们的方法比先前的方法在各种评价指标上更有效。

Jun, 2016

本文提出了一种基于命名实体和关键词的广义向量空间模型，考虑了命名实体的不同本体特征，并使用实体类别来表示 Wh - 查询中被忽略的潜在信息。作者在 TREC 数据集上实现和测试了所提出的模型。

Jul, 2018

本文研究了本体查询中的查询重写和查询优化问题，其中查询重写包括将本体查询编译为与底层关系型数据库等效的查询，查询优化旨在改善此过程以生成成本效益高的 UCQ 重写，提出了一种有效的新方法以支持基于线性 Datalog+/- 的规则。

Dec, 2011

该论文提出了一个名为 “AliCoCo” 的大规模电子商务认知概念网络，该网络是在全球最大的中国电子商务平台 —— 阿里巴巴上实践的，旨在理解电子商务中的用户需求，构建一个半自动化的网络，并描述了它在电子商务中的成功运用和潜在应用。

Mar, 2020