本文提出了一种新的框架来统一客户的不同行为或特征，例如人口统计数据、不同平台上的购买行为、客户忠诚度等，从而建立一个类似模型来提高 Rakuten 集团的客户定位的效果。实验结果表明，这种类似模型对于用户定位任务是有效的。

Apr, 2023

本文提出了一种基于深度学习的内容协作方法，用于个性化尺寸和合适度建议，以提高顾客满意度并减少因尺码相关的退货所产生的成本，该方法可以模拟客户和文章数据，并能够为单个帐户背后的多个个体或意图进行建模。

Jul, 2019

本文介绍了亚马逊的新系统，使用深度学习技术，将用户的在线行为映射到各种高水平购物意图，以个性化推荐，提高了推荐准确性和业务指标的 10％。

May, 2023

在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。

Aug, 2017

本文提出了一种统一的端到端方法，用于构建面向电子商务的大规模视觉搜索和推荐系统。我们通过统一的深度卷积神经网络结构，VisNet，来学习嵌入，以捕捉几个语义颗粒度的视觉相似性概念，从而证明了我们方法在 Exact Street2Shop 数据集上的优越性能，为 Flipkart 的 50M 产品目录提供了支持 2K 的视觉推荐查询，从而产生了显著的业务影响。

Mar, 2017

本文提出了一种基于机器学习的视觉内容管理系统，用于极大型电子商务产品目录。该系统基于图像分类技术，从多个供应商聚合产品图像，并根据顾客需求进行优化，通过不同阶段的分析实现计算机视觉和深度学习技术，解决实际业务问题。

Nov, 2018

提出了一种能够利用顾客评价信息与顾客、产品特征来进行尺码预测的新方法，与仅使用产品和顾客特征的方法相比，该方法在四个不同数据集上显示出 1.37% 至 4.31% 的 F1 得分提升。

Aug, 2022

本文介绍了嵌入式模型在电商搜索中的应用，该模型由两个塔式变压器编码器构成，利用自适应对抗性学习和级联训练方法，以特别关注基于内容的特征并有效地在噪声大的数据上进行训练，检测出相对于原方案 10％的 RECALL@20 的改进并通过在线 A / B 测试达到了每次搜索中增加购物车数量（CAPS）和商品销售总值（GMV）方面 1.5％和 4.1％的提高。

Sep, 2022

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

本文利用神经网络对数字营销进行优化，建立了能够对用户在线行为模型的模型，在此基础上利用蒙特卡罗模拟预测未来潜在客户的转化率。

Apr, 2018