该研究介绍了一种基于贝叶斯模型的解决方案，利用顾客提供的大规模低强度标注数据以及人工专家反馈和计算机视觉智能，成功地减少了 14 个国家在线时尚市场上与尺寸有关的退货率。
Jun, 2021
提出了一种能够利用顾客评价信息与顾客、产品特征来进行尺码预测的新方法，与仅使用产品和顾客特征的方法相比，该方法在四个不同数据集上显示出 1.37% 至 4.31% 的 F1 得分提升。
Aug, 2022
本文提出了一种基于深度学习的内容协作方法，用于个性化尺寸和合适度建议，以提高顾客满意度并减少因尺码相关的退货所产生的成本，该方法可以模拟客户和文章数据，并能够为单个帐户背后的多个个体或意图进行建模。
Jul, 2019
我们提出了一种新颖的序列分类方法，结合隐式（Add2Bag）和显式（ReturnReason）的用户信号，用于准确和个性化的尺码推荐。通过使用 Add2Bag 交互，我们将用户覆盖率提高了 24.5%。此外，我们通过实验评估了模型在实时推荐场景中的可用性和延迟性能。
Jan, 2024
本文提出了一种基于深度神经网络和贝叶斯个性化排名的新方法，利用产品嵌入和 skip-gram 模型来捕捉用户的口味、隐含特征和身体形状以预测退货可能性，进行了一些实时实验以减少时装电子商务平台的总退货量。
Jun, 2019
在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。
Aug, 2017
本文提出了一种基于视觉信息的尺码自动预测框架 SizeNet，通过统计模型和富含信息的服装图片结合学习尺码、棉质和不同常见服饰的特征用于解决电商时尺码匹配问题。
May, 2019
本文提出了一个利用 Transformers 来预测商品适合买家尺寸的新型深度学习框架 PreSizE，通过集成商品属性和买家购买历史等内容来有效解决冷启动和买家数据不足等问题，与现有的基线模型相比，证明了 PreSizE 有着更优秀的预测表现，并且实现了与推荐系统的有效结合。
May, 2021
本文提出了四个数据驱动模型用于大规模的视觉推荐系统，这些模型可以有效地利用大量的时尚图片及其丰富的元数据，通过对大规模数据集的深入实验对这些算法进行了分析，并在颜色科学的基础上对其进行了基线，同时展示了从这些实验中学到的关键时尚见解并介绍了一个可以用于未来视觉研究的大规模时尚图像注释数据集（Fashion-136K）。
Jan, 2014
本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。
Feb, 2016