提出了一种能够从医疗数据流中学习患者、医生、病房和药品异构动态嵌入的 DECENT 自动编码异构共同进化动态神经网络，可以提高诸如预测患者死亡风险、病情严重程度、医疗细节等医疗预测任务的性能。得到的结果显示，在患者死亡风险预测任务上，DECENT 的性能提升高达 48.1％以上。

Mar, 2023

在个性化推荐系统中，使用嵌入来编码客户行为和物品，并通过近似最近邻搜索在嵌入空间中执行检索。然而，这种方法可能会面临两个挑战：用户嵌入可能限制了所捕捉的兴趣的多样性，而且需要保持它们的实时更新需要代价高昂的基础设施。在本文中，我们提出了一种在实际工业环境中克服这些挑战的方法。该方法动态更新客户配置文件，并每两分钟组合一个推荐列表，使用预计算的嵌入及其相似度。我们在荷兰和比利时最大的电子商务平台之一的 Bol 上测试并部署了这种方法。该方法提升了客户参与和体验，导致转化率显著提高了 4.9%。

Feb, 2024

本研究提出基于预训练语言模型的动态情境词向量，能够以语言和非语言环境为依据来表征单词的含义变化，并在四个英文数据集上做出定性和定量分析，以彰显其应用潜力。

Oct, 2020

ASOS.com 是一家全球在线时尚零售商，他们提出并实践了一种基于学习特征表示的顾客生命周期价值（CLTV）预测系统，这种系统可以有效地预测未来价值、定位高价值客户和个性化购物，同时减少了资源浪费和损失。

Mar, 2017

本论文提出了一种个性化神经嵌入框架 (PNE)，通过融合互动和单词来预测用户对物品的期望，解决了传统协同过滤方法中物品与用户关系稀疏的问题，并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时，通过可视化展示了 PNE 可以学习到有意义的单词嵌入。

Mar, 2019

本研究通过使用新方法 BERTopic 对消费者金融保护局（CFPB）数据进行基于句子嵌入的主题提取，通过对比 LDA 和 LSA，证实 BERTopic 能够更有意义且更具多样性地生成主题。此外，使用特定于领域的预训练嵌入（FinBERT）可以进一步提高主题品质。同时，本研究通过 c_v 和 UMass 等参数对主题准确性进行了评估。

May, 2022

介绍了一种通过神经网络自行学习嵌入向量的方法 —— 动态元嵌入，该方法在同一模型类别下，在各种任务中实现了最先进的性能，并展示了该技术如何在 NLP 系统中应用嵌入向量。

Apr, 2018

提出一种基于图卷积网络的个性化动态路由特征编码器 (PDRFE) 模型，以提高 Alexa 中个性化技能路由的性能和准确性；通过预测缺陷标签来评估该模型，在交叉熵指标上观察到与基线相比高达 41% 的性能改进。

Jul, 2022

本文提出了一种基于连续提示的差异感知深度对比句子嵌入方法（D2CSE），它可以区分相似句子的细微差异并在自我引导的情况下使用对比学习和条件替换令牌检测来执行多个任务，同时减少了训练参数数量，并且在语义文本相似度基准测试中达到了最新的表现水平。

Apr, 2023

用户嵌入在用户参与度预测和个性化服务中起着至关重要的作用。我们提出了 User Stateful Embedding (USE)，通过存储先前的模型状态并在未来重新访问，生成和反映用户的不断演变的行为，并通过与同一用户预测相结合的对比学习目标进一步提高嵌入的独特性和代表性。实验证明 USE 在动态用户建模中将历史和最近的用户行为序列整合到用户嵌入中具有卓越的性能。

Mar, 2024