在线市场与电子商务公司中，产品匹配是识别同一产品不同表示以提高可发现性、整理性和定价性的重要能力。我们在一个行业环境中提出了一个强大的多模态产品匹配系统，其中大规模的数据集、数据分布转移和未知领域带来了挑战。我们比较了不同的方法，并得出结论，通过预先训练的图像和文本编码器的相对简单的投影，通过对比学习进行训练，可以在成本和性能方面取得最新的结果。我们的解决方案优于单模态匹配系统和大规模预训练模型，例如 CLIP。此外，我们展示了如何将人机协作过程与基于模型的预测相结合，实现在生产系统中接近完美的精度。

Mar, 2024

本文介绍了一个大型 Amazon 搜索数据集 —— 购物查询数据集，他包含约 130 万个搜索查询，用于研究如何通过机器学习和数据挖掘技术来提高搜索结果的质量。购物查询数据集被广泛地应用在 KDD Cup '22 挑战赛中，包括如下三个评价任务：排序搜索结果列表、将产品结果分类成相关类别和为给定查询寻找替代产品。购物查询数据集可能会成为未来产品搜索领域的黄金标准。

Jun, 2022

用机器学习和回归分类方法，以及集成模型为主的方法实现 Tmall 网站上的下一次购买预测，最终取得 F1Score 为 6.11 分，排名第七。

Aug, 2014

通过对比评价句子帮助用户找到最合适的产品，我们的模型由三个部分组成：对比模块、生成模块和个性化解码方法，实验证实了我们的算法生成的对比评价句子相关且真实。

Jul, 2023

这篇论文提出了一种基于深度学习的方法，从各种电子商务网站的用户评论中提取产品比较信息。通过使用 LSTMs 能够很好地捕捉它们之间的相互依赖关系，该系统在现有的手动标记数据集上表现出较强的性能，超越了现有的语义角色标注（SRL）框架。

Oct, 2023

该研究以 Pinterest 的 Shop The Look 为例，介绍了建立一个基于视觉搜索的在线购物系统的核心技术、服务基础设施、数据标注方法和用户体验评估，并通过离线评估、人类相关性判断和在线 A/B 实验，实现了多方面的性能提升，包括累积相对增益超过 160% 的人类相关性判断和超过 80% 的用户参与度。

Jun, 2020

本文提出了两种可视化推荐系统，该系统可以自动为客厅家具配套筛选整个选择，以最大化配合效果和利用文本数据和多语言话题建模来推断风格。实验结果表明，从包括视觉和文本数据的产品集合中发现补充风格效果最好。

Jun, 2018

本文提出了一种自我监督和用户行为导向的产品分类法拓展框架，通过从现有的分类法和用户点击日志中抽取用户感兴趣的候选下义词关系并利用预训练语言模型和图神经网络结合对比学习来建模概念和关系，以自动将新概念附加到现有分类法，从而减少手动更新的人力成本。

Mar, 2022

通过开发深度学习模型来识别搜索中的信息不匹配，可以显著提高电商用户体验和排名性能。

May, 2020

本研究通过模拟产品评论，使用预训练的 BERT 模型生成正负面评价中的单句比较响应，并贡献了首个用于对比意见生成的数据集。

Jun, 2022