该篇研究论文提出并开发了使用 Temporal Annotated Recurring Sequence (TARS) 来抓取同时和自适应地考虑影响顾客购物行为的不同因素的 next basket prediction 模型，即 TARS Based Predictor (TBP)，以便为每个顾客提供量身定制的建议来加快购物速度。经过深入的实验，TBP 表现优异，超越了其他同类模型。

Feb, 2017

本文介绍了一种基于顺序模型的推荐系统，它利用原始交易数据进行预测，并在生产数据集上测试，取得了 47% 的 MAP@1 度量，证明了其效果的可靠性和实用性。同时，本文还探讨了将该系统嵌入 Nexus 数字体验架构的可能性和潜在的市场应用价值。

Jul, 2022

本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

Jan, 2021

下一个篮子推荐 (NBR) 是基于一系列已经购买的篮子预测下一个物品集的任务，我们提出了一种基于双向 Transformer 篮子推荐模型 (BTBR) 的简单方法，该方法专注于直接建模篮子内部和篮子间的物品之间的关联性，以提高推荐任务的性能。

Aug, 2023

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

本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。

Sep, 2019

现实世界中的产品组合选择是物理零售商面临的一项关键挑战，通过有效地与购物者的喜好相匹配，可以增加销售并减少缺货。为解决这些挑战，我们引入了一个实时推荐系统，利用 3D 计算机视觉和感知技术，以及借助贝叶斯奖励模型、空间聚类和基于图的候选生成算法，以适应异质的消费者喜好和解决组合搜索问题。通过在真实店铺进行多次测试和观察研究，我们展示了销售量分别提高了 35% 和 27%。

Jun, 2024

本文考虑多重预算约束下的在线随机优化问题，提出了基于 Wasserstein 距离的度量方法来量化先验假设准确性和系统的非平稳性，针对信息已知和信息未知情况下分别提出了算法，均取得了优越的性能表现。

Dec, 2020

基于矩阵分解和马尔可夫链模型，提出了新的方法 Fossil，用于融合基于相似度的方法，解决大规模数据推荐系统中的稀疏问题，并在现实世界数据集上进行了验证。

Sep, 2016

本文介绍了一种可扩展的准确方法，用于使用动态时间扭曲 (DTW) 发现时间序列 Motifs，该方法可以在时间和较低下限的紧密度之间自动执行最佳权衡，并且在现实设置下，该算法可以删除多达 99.99％的 DTW 计算。

Sep, 2020