本文首次将有监督对比学习应用于电子商务中的产品匹配任务，使用来自不同电商的产品提供，通过对有标签的对比学习进行预训练，并提出了一种源感知采样策略，能够在训练数据不包含产品标识符的使用用例中使用对比学习，实验结果表明对比预训练与源感知采样相结合，可以显著提高多个广泛使用的基准测试性能，并在有明确监督的产品匹配用例中具有很高的潜力。

Feb, 2022

这篇论文提出一种名为 SCL 的学习范式，支持图卷积神经网络，同时加入了数据预处理过程中节点之间的相似度计算和节点复制的数据增强方法，经实验证明可以提高推荐准确度和抗干扰能力。

Jan, 2022

将 SCL 问题描述为 RoBERTa 语言模型精调阶段的多目标优化问题，使用线性标量化方法和精确 Pareto 最优解法解决优化问题，在多个 GLUE 基准任务上，无需使用数据增强、存储器库或生成对抗性示例，找到了比竞争对比学习基线更好的学习策略。

Sep, 2022

本文旨在利用半监督聚类方法提出一种新的产品匹配哲学，并通过在真实数据集上使用主要文本特征和模糊字符串匹配的 IDEC 算法进行实验来研究该方法的特性。鼓舞人心的结果表明，无监督匹配结合少量标注样本的产品链接可能是一种可行的替代品，而无需进行广泛的手动数据标注。

Feb, 2024

本文通过实验证明：监督对比损失学习到的嵌入空间的几何结构形成正交框架，而交叉熵损失学习到的嵌入空间的几何结构高度依赖于类大小；同时，通过选取不同的数据分组算法，加快正交框架的出现，为监督学习提供一种新的训练策略

Jun, 2023

通过训练深度学习模型，使用顾客行为数据，我们开发了一种新的损失函数，并结合 n-gram 和平均池化来捕捉短程语言模式，并使用哈希来处理词汇表外的标记，从而解决语意匹配在产品搜索中的挑战。在离线测试和在线 A/B 测试中，均表现出比基线语意搜索方法更好的召回率和平均准确率。

Jul, 2019

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

本研究提出自我对比学习算法，并将其应用于会话推荐问题中，以优化物品表示空间的均匀度和减少模型复杂度，进而实现比之前的算法更好的预测性能。研究证明，该算法不需要额外的采样和数据增强操作，并在三个基准数据集上得到了统计上显著的性能提升。

Jun, 2023

提出了一种名为 Rank Supervised Contrastive Learning (RankSCL) 的对比学习框架，通过使用特定过滤规则选择更具信息量的正负样本对，利用排名信息为不同级别的正样本分配不同权重，能够在有限标签样本情况下提取细粒度信息并在不同类别之间产生明确的边界，表现出先进的分类性能。

Jan, 2024

本文提出了一种基于 score-matching 函数的自监督对比学习方法 ScoreCL，通过自适应加权每对数据，改善了现有方法的性能，并在 CIFAR-10、CIFAR-100 和 ImageNet-100 上领先了多种方法，证明了其普适性。

Jun, 2023