在电子商务搜索引擎中，语义相关性计算对于确保所选项目与客户意图紧密对齐至关重要。本文介绍了一种基于交互的建模范式，通过动态长度表示方案、专业术语识别方法和对抗性训练协议来增强模型的鲁棒性和匹配能力。离线评估表明我们方法的卓越鲁棒性和效果，在线 A/B 测试证实了在相同曝光位置提高相关性、增加点击和转化的能力。据我们所知，这是第一个用于大型电子商务搜索相关性计算的基于交互的方法。

Jun, 2024

通过利用大型语言模型（LLMs）从外部知识源获取相关信息，检索增强生成技术使 LLMs 能够适应特定领域并减少在知识密集型任务中的虚假数据，我们提出了一种名为 ARL2 的检索器学习技术，通过利用 LLMs 进行标注和评分，实现了从强大 LLM 监督中学习检索器，并且使用自适应自训练策略来筛选高质量和多样性的相关数据，有效降低了标注成本。大量实验证实了 ARL2 的有效性，在 NQ 上提高了 5.4％，在 MMLU 上提高了 4.6％，此外，ARL2 表现出强大的迁移学习能力和强大的零射击泛化能力。

Feb, 2024

本文研究了如何有效地将句法知识融入语义角色标注（SRL）任务中，使用不同质量和表示的依赖树的不同编码方法，提出了一种句法增强的自注意模型，并与其他两种强基准方法进行了比较，并使用新发布的深度上下文化词表示进行了实验。实验结果表明，通过正确地融合高质量的句法信息，我们的模型在 CoNLL-2009 数据集的中文 SRL 任务中取得了新的最佳表现。

Oct, 2019

该研究旨在提高电子商务搜索系统的相关性预测性能，并提出了一种名为基于实体的相关模型（EBRM）的新模型，将 QI 问题分解为多个 QE 相关问题并聚合其结果形成 QI 预测。

Jul, 2023

我们提出了一种名为 ReLLa 的新框架，即检索增强的大型语言模型，用于零样本和少样本推荐任务，通过语义用户行为检索和检索增强指导调优技术，提高了大型语言模型在推荐系统中的推荐性能和对用户行为序列的理解能力。

Aug, 2023

通过引入语义信息，我们提出了一种联合语义增强关系度量学习 (SERML) 框架，该框架从目标评论中提取语义信号，并通过该信号改进了原始基于关系的训练过程的区分能力，实验证明 SERML 在推荐系统中表现与几种先进方法相当。

Jun, 2024

提出了一种基于自注意力机制的上下文感知神经网络模型，用于学习商品的排序分数，在训练和推理阶段都考虑了列表中其他商品的交互作用，相较于多层感知机模型，取得了显著的性能提升，在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。

May, 2020

基于 Large Language Models (LLMs) 的技术，通过自动化查询 - 商品对的相关性判断，改善产品搜索的相关性预测精度，对商品搜索的相关判断自动化领域具有重要影响。

Jun, 2024

通过检索 - 重建（REBAR）对比学习，我们提出了一种利用卷积交叉注意力体系结构计算两个不同时间序列之间的 REBAR 误差的新方法，并通过验证实验表明，REBAR 误差是相互类别成员资格的预测器，从而为其用作正 / 负标签赋予了合理性。最后，一旦集成到对比学习框架中，我们的 REBAR 方法可以学习到在各种模态下取得最先进性能的嵌入。

Nov, 2023

利用强化学习技术的深度学习模型预测用户下一个搜索词并依据长期会话反馈、语法相关性以及生成查询的自然度等奖励信号对高质量且多样化的相关搜索查询进行推荐。相对于基线监督模型，我们提出的方法在推荐的多样性、用户参与度和每个句子重复词的数量方面都有显著的相对改进（3％、4.2％和 82％）。

Aug, 2021