该研究使用基于 Transformer 模型的深度学习方法，通过捕捉用户行为序列中的顺序信号来改进推荐系统，实验结果表明相较于基线算法，该模型在淘宝上线后获得显著的点击率提升。

May, 2019

提出了一种基于 Transformer 模型的实时电子商务产品页面问答系统，在 CQA 对中检索到与用户查询相关的问题答案对，该模型学习统一的句法和语义表示，同时利用 CQA 对进行远程监督，通过在离线和在线实验中的大规模评估，证明了该框架在电子商务 QA 流量方面具有很好的性能。

Apr, 2021

本研究提出了一种基于用户行为的推荐系统，通过聚类活跃用户、确定邻域、收集相似用户、基于相似用户计算产品声誉以及推荐高声誉产品等方法，结合产品类别的无监督聚类方法，提供精确的个性化推荐，改善了电子商务推荐系统的性能和准确性。实验结果显示，该方法在阿里巴巴等电子商务平台的行为数据集上表现优于基准方法。

Mar, 2024

提出了一种基于主题模型的方法，通过产品评论等多维数据，预测和发现替代和补充产品之间的关系，应用于亚马逊的大规模商品目录数据集。

Jun, 2015

提出了一种基于用户评论属性的协同过滤算法，可以在保证个性化推荐的同时，提高推荐结果的可解释性，尤其是在涉及可替代物品的推荐时。实验证明，该算法在三个真实数据集上的推荐效果和解释质量均较好。

May, 2020

Transformer 结构预训练模型在电子商务领域的核心应用场景包括但不限于产品描述的自动生成、用户评论的情感分析、个性化推荐系统的构建和客服对话的自动处理。本研究通过对模型的工作原理、实施过程和具体案例中的应用效果进行详细分析，强调了预训练模型在理解复杂用户意图和提高推荐质量方面的独特优势，并讨论了未来的挑战和改进方向，例如如何进一步提高模型的泛化能力、处理大规模数据集的能力以及保护用户隐私的技术策略。最终，该论文指出 Transformer 结构预训练模型在电子商务领域不仅推动了技术创新，还给商家和消费者带来了实质性的利益，并展望这些模型在电子商务和其他领域将继续发挥关键作用。

Feb, 2024

本文介绍了 SIGIR 2021 Workshop on E-commerce Data Challenge 中获胜的 Session-based recommendation 算法解决方案，该方案受自然语言处理技术启发，由两个 Transformer 架构 - Transformer-XL 和 XLNet - 的整合组成，通过联合表格事件、文本和图像向量构建多模型特征来解决该任务。同时，文章还对模型的预测效果进行了分析。

Jul, 2021

提出了一种解释性推荐系统构建方法，用于个性化在线内容和促销活动推荐，通过数据转换，可将多类分类数据集转换为可与标准解释性多类分类算法一起使用的新数据集，其最小化标准误分类惩罚等价于最小化自定义成本函数。

Jun, 2016

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

利用不同基于 Transformer 的模型探索分析德语顾客反馈数据集的效率，进一步分析预训练模型是否使用无标签数据适应特定领域会比现成模型获得更好的结果，实验结果表明，这些预训练模型取得了显著改进，超过了已发表的成绩和以前的模型。

Dec, 2022