本文提出了一种新的多目标个性化产品检索（MOPPR）模型，使用多正样本空间训练，采用修改后的 softmax 损失函数进行优化，通过离线和在线实验表明 MOPPR 模型优于现有模型，实现了对搜索引擎（如淘宝）商品检索的个性化优化。

Oct, 2022

本文介绍了一种叫 DPSR 的新方法，用于解决电子商务搜索中的两个关键性问题：如何检索与查询语义相关但不是精确匹配的项目以及如何检索对于同一搜索查询的不同用户更个性化的项目。该方法通过离线和在线实验表明其优越性，能够显著提高用户的搜索体验，尤其是对于长尾查询。

Jun, 2020

本文提出了一种能够同时解决语义差异问题和根据用户历史交互提供个性化语义搜索结果的新方法，将图嵌入、transformer 模型和基于术语的嵌入统一到一个嵌入模型中，同时分享了特征工程、硬负采样策略以及 transformer 模型应用方面的技巧。此个性化检索模型增强了用户的搜索体验，并提高了搜索购买率和网站整体转化率。

Jun, 2023

本文提出了一种基于解释性的检索模型，通过建立动态知识图谱，将 “搜索和购买” 行为建模为用户和产品之间的动态关系，并在潜在空间中基于用户和产品之间的关系进行排名，并通过逻辑推理和实体软匹配在知识图谱中生成解释信息，实验结果表明其优于现有的基线模型，同时能够合理地解释搜索结果。

Sep, 2019

提出了一种基于二进制嵌入的检索引擎，利用轻量级的转换模型和残差多层感知器 (MLP) 块将完整精度的查询和文档嵌入压缩成多个二进制向量的组合，并使用嵌入到嵌入的策略来实现无需任务的高效训练。对离线基准和在线 A/B 测试进行了广泛的实验，证明了该方法的效率和有效性，在几乎不损失系统准确性的情况下，显著节省了 30%~50% 的索引成本。

Feb, 2023

本文介绍了一种基于嵌入式检索的电子商务搜索技术，提出了一种多模态、多任务的搜索嵌入式检索系统，称为 Que2Engage，旨在缩小检索与排名之间的差距以及在平衡不同商业目标的同时提供更好的搜索体验。该方案在 Facebook Marketplace Search 上实施后，两周内的 A/B 测试结果表明，搜索器的参与度有了显著性的提升。

Feb, 2023

本文提出了一种新的框架 Uni-Retriever，通过知识蒸馏和对比学习的方式，联合进行高相关性和高 CTR 检索的多目标学习过程，以生成嵌入式向量进行嵌入式检索，该检索方式可以实现广告检索的两个目标。经多项测试验证，该方法显著提高了 Bing 检索系统的检索效果。

Feb, 2022

通过生物粒度文档表示法、稀疏嵌入与压缩感知量化等技术，采用基于深度学习的文档表示和 ANN 搜索技术，设计 Progressive Optimization 框架，实现了大规模的 EB 检索，并在百万级和百亿级的数据集上分别实现了高达 +4.3% 到 +17.5% 的提高检出率，同时在一个搜索平台上实现了较大的回报、回忆和 CTR 这些度量方面的提升。

Jan, 2022

本研究探讨如何将基于嵌入式检索的技术应用于 Facebook 搜索系统，介绍了用于建模语义嵌入的统一嵌入框架和在基于倒排索引的典型搜索系统中提供嵌入式检索的系统，以及整个系统的端到端优化技巧和经验。该方法可显著改善 Facebook 搜索垂直领域的度量标准。

Jun, 2020

本文介绍了嵌入式模型在电商搜索中的应用，该模型由两个塔式变压器编码器构成，利用自适应对抗性学习和级联训练方法，以特别关注基于内容的特征并有效地在噪声大的数据上进行训练，检测出相对于原方案 10％的 RECALL@20 的改进并通过在线 A / B 测试达到了每次搜索中增加购物车数量（CAPS）和商品销售总值（GMV）方面 1.5％和 4.1％的提高。

Sep, 2022