Jul, 2022

电子商务中带混合表征的通用用户和商品嵌入模型 (GUIM)

PDF
TL;DR提出了一种 GUIM 模型，用于在混合表示的基础上构建通用的用户和产品项目嵌入，并利用对比学习技术 InfoNCE 避免运算量过大，提高表示的质量。同时，也提出了一组代表性的下游任务来评估该模型学习到的用户和 / 或项目嵌入的质量。
embeddingrecommendation systemmulti-modal datainfoncedownstream tasks
发现论文，激发创造
  • 在电子商务中利用 Transformer 增强图像搜索的多模态商品嵌入

    在过去的十年中，人们在电子商务应用的图像搜索领域取得了重大进展。本文报告了多模式物品嵌入模型（MIEM）的设计和部署，以解决传统图像检索模型在商品多图像处理上的限制和存储负担，从而提高检索结果的准确性。在 Shopee 电子商务平台中部署后，MIEM 在图像搜索功能上实现了用户点击量的显著增长（9.90%）和用户订单量的提升（4.23%）。

    Nov, 2023

  • 每个人的偏好变化不同：加权多兴趣检索模型

    本文提出一种名为多兴趣偏好模型的方法，可以更有效地利用用户的顺序交互产生多个用户嵌入并自动学习一组权重来表示用户对每个嵌入的偏好，从而可以按比例从每个兴趣中检索候选项。

    Jul, 2022

  • 电商中的 ID 表示学习和转移

    提出了一种嵌入式学习框架，用于集成多种 ID（如用户 ID、项目 ID、产品 ID 等），以便在不同情况下进行相似性度量、跨域转移和不同任务之间的转移，以解决经典编码方法不足的问题。

    Dec, 2017

  • 电子商务推荐系统的 One4all 用户表示

    本研究通过构建模型 ShopperBERT 对九个预训练任务训练得出的预训练嵌入进行广泛的下游任务如用户画像、定向和推荐等方面的有效应用，并与从零开始的学习策略进行了比较，结果表明前者的优势明显，尤其针对冷启动问题。

    May, 2021

  • MM-GEF：多模态表示与协同过滤相遇

    现代电子商务中，多种内容形式的物品特征为推荐系统提供了精确而全面的信息。本研究提出了一种基于图形的物品结构增强方法 MM-GEF：多模态图形早期融合推荐，通过将多模态特征的潜在物品结构与协作信号相结合，有效地改善了物品表示。在四个公开数据集上进行的大量实验证明了我们方法在多模态推荐技术方面的系统改进。

    Aug, 2023

  • 电商搜索中基于全局优化互影响意识的排名

    提出全局优化框架，实现对电子商务搜索中商品的排名，具体包括了相互影响的采购概率预测和排名任务，得出有关 GMV 的优化结果。

    May, 2018

  • 可控制的多兴趣推荐框架

    本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

    May, 2020

  • 一个平台无关的推荐框架：基于用户兴趣感知的物品嵌入

    我们提出了一种新颖的兴趣感知胶囊网络（IaCN）推荐模型，该模型直接学习面向兴趣的物品表示，通过不需要大规模重设计的方式，在现有的推荐模型中实现联合学习，实验证明该方法在各种推荐模型下表现出显著的性能提升。

    Aug, 2023

  • 从多种电商任务中学习通用用户表示，深入了解你的用户

    该论文提出了一种名为 Deep User Perception Network（DUPN）的方法，通过采用 LSTM 和注意力机制来建模用户行为序列，学习不同任务通用的用户表示，以达到更加有效的个性化推荐，离线和在线实验结果表明 DUPN 在五个不同的任务上都表现出 better results，Taobao 上的大规模操作任务也得到了部署。

    May, 2018

  • 多模态推荐的内容和结构的微妙特征中的 ID 嵌入

    本文研究了多模态推荐中 ID 嵌入的价值和语义特征，并提出了一种新的推荐模型，通过引入 ID 嵌入来增强内容和结构的语义特征。通过层次化注意机制和对比学习，提高了内容表示，并利用轻量级图卷积网络和 ID 嵌入改进了结构表示，最后将内容和结构表示相结合形成最终的物品嵌入。实验结果证明了我们方法在多个真实数据集上的优越性和对精细 ID 嵌入的有效性。

    Nov, 2023