Product2Vec 是一种基于 Word2Vec 方法的表示学习算法,通过对商品进行嵌入,来分析市场结构和制定产品线优化策略,并结合经济理论和因果推断对 Word2Vec 进行改进,以提高预测需求和价格弹性的准确性。
May, 2020
提出了一种基于主题模型的方法,通过产品评论等多维数据,预测和发现替代和补充产品之间的关系,应用于亚马逊的大规模商品目录数据集。
Jun, 2015
本研究对近年来电子商务领域中互补推荐进行了广泛的综述和比较,包括模型互补关系的数据和方法、互补推荐的研究问题以及实验结果的比较分析,并提供了对该领域未来研究方向的讨论,从而为该领域的进展做出了贡献。
Mar, 2024
通过 masked session 建模的方式,将基于 BERT 的模型 Prod2BERT 迁移到电子商务,与 Prod2vec 进行对比实验并得出结论,提供在各种计算和数据限制下培训嵌入的准则。
Dec, 2020
通过使用词袋和基于神经网络的文档组合方法(Doc2Vec),本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统,通过使用这两种文档表示方法,在产品特性(成分、包装、营养表,过敏原等)等方面提供最佳的推荐,调查结果显示基于神经网络的 Doc2Vec 方法的表现更好且完全改变了结果。
Dec, 2023
本文提出了一种新型的潜向量空间模型,可在无需明确注释的情况下,联合学习单词、电子商务产品的潜在表示以及两者之间的映射,能直接建模产品与特定单词之间的鉴别关系,并在学习排序库特征方面证明其性能优越性。
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
本文提出 Query2Prod2Vec 模型,用于将产品搜索的词汇表示与数字商店中的产品嵌入相联系。 该模型比 NLP 和 IR 文献中已知的技术更准确地提供了产品搜索结果,并着重强调数据效率对超出作大型零售商以外的产品搜索的重要性。
Apr, 2021
本研究提出了一种针对电子商务中产品搜索的交互式方法,即基于问题的顺序贝叶斯产品搜索方法,QSBPS,该方法可以通过直接查询用户,学习产品相关性以及潜在问题的回报,从而大大提高了产品搜索的性能。
Aug, 2019
Meta-Prod2vec 提出了一种新方法来计算物品之间的相似度,该方法利用现有的物品元数据,通过注入元数据以正则化物品嵌入来计算物品的低维嵌入,从而提高推荐任务的性能。
Jul, 2016