识别和理解用户意图是电子商务的一个关键任务。本文针对预测用户意图展开研究,将意图理解视为自然语言推理任务,并独立于产品本体论。我们发现 SOTA 电子商务意图知识图 FolkScope 存在两个弱点,限制了其对用户意图的推理以及对多样有用产品的推荐能力。基于这些观察,我们引入了一个产品恢复基准,包括一种新颖的评估框架和一个示例数据集,并在该基准上进一步验证了 FolkScope 的上述弱点。
Feb, 2024
在电子商务搜索中,通过利用历史查询重构日志,采用远程监控的方法来确定查询的产品意图,进而在搜索引擎中强调定义查询的产品意图的术语,从而改善排名。实验证明比非情境性基线更胜一筹,可以解决查询处理中出现的多种问题。
Aug, 2019
个性化推荐系统在电子商务领域的应用及挑战,以及利用 BERT 模型和最近邻算法设计的 eBay 电子商务平台的个性化推荐系统的高效性和可行性。
Mar, 2024
推荐系统通过分析用户的购物历史提供准确的推荐。然而,在真实应用中,用户更喜欢价格最低的电子商务平台。本研究假设任何电子商务平台都能完整记录用户的历史,但只能访问其中的一部分,如果推荐系统能够首先预测丢失的部分并正确丰富用户的购物历史,则可以更准确地推荐下一个商品。我们的推荐系统利用用户的购物历史来提高预测准确性,所提出的方法在 NDCG@10 和 HR@10 指标上取得了显著改进。
通过使用大型语言模型(LLMs),我们提出了一个框架,可以自动生成与产品有关的上下文、有用、可回答、流畅且多样化的问题,并建议这些问题给客户作为帮助和提示,从而实现更顺畅、更快速、减少对话开销和摩擦的购物体验。
May, 2024
本篇论文介绍了一种可扩展、高效的系统,利用基于深度学习的嵌入模型和近似最近邻搜索方法,将目标的营销受众扩大,并能构建可以解释和有意义的客户相似度度量标准,实验结果表明该系统和客户嵌入模型效果显著。
Jan, 2023
推荐系统中往往过于关注短期参与度,而此项研究关注将用户意图整合到整页推荐中以优化用户的长期体验。
在这篇论文中,我们提出了 IntentionQA,一个双重任务多项选择问题回答基准,用于评估语言模型对电子商务中购买意图的理解能力。通过以购买的产品为基础推测意图,并利用它们预测额外的购买,LMs 被赋予了推断意图的任务。IntentionQA 包含了 4,360 个经过精心筛选的问题,涵盖了三个难度级别,使用自动化流程在大型电子商务平台上保证了可扩展性。人工评估结果表明我们的基准具有高质量和低误报率。我们的代码和数据公开在该网址。
Jun, 2024
利用 MIND 多模态框架,从多模态产品元数据中推断购买意向,优化用户体验和提供个性化搜索结果,进而提高大型语言模型的意向理解任务效果。
本文研究了对话推荐系统中的最近工作,并介绍了一种将上下文化的输入与学习模型联系起来以支持意图识别的方法,使用 transformer 基础模型在数据集 MSDialogue 上进行了性能评估。
Dec, 2022