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

近年来，用户生成的内容（UGC）的数量增加了。这种类型的内容的挑战在于评估其质量。本文探讨了提取 / 组合自然场景统计和深度神经网络特征的最新度量标准，并尝试通过引入显著性地图来改善可感知性。我们使用公共数据集 YouTube-UGC 和 KoNViD-1k 对模型进行训练和测试。初步结果表明，仅使用深度特征可以实现较高的相关性，而添加显著性并不总是提升性能。我们的结果和代码将公开提供，以供研究社区使用，并可在我们的项目页面中找到：this https URL。

Aug, 2023

利用人工智能为时尚推荐系统提供细粒度的视觉解释，自动为顾客上传的图像生成有意义的描述，引导从全球时尚产品目录中检索出符合视觉特征的类似替代品，进而实现个性化的时尚推荐，并在超过 100,000 张已分类的时尚照片数据集上进行训练和评估，物体检测模型的 F1 分数为 0.97，展示了优化的准确时尚物体识别能力，这个视觉感知系统代表了个性化时尚推荐中的重要进展。

Nov, 2023

本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

Feb, 2016

该研究提出了一个用于在社交媒体上寻找相似服装的系统，该系统使用多个 CNN 检测器定位高级别描述区域并将其分类，最终使用多任务功能中学习到的特征嵌入对每个项目进行比较，并根据距离排名。

Jul, 2019

本文提出了四个数据驱动模型用于大规模的视觉推荐系统，这些模型可以有效地利用大量的时尚图片及其丰富的元数据，通过对大规模数据集的深入实验对这些算法进行了分析，并在颜色科学的基础上对其进行了基线，同时展示了从这些实验中学到的关键时尚见解并介绍了一个可以用于未来视觉研究的大规模时尚图像注释数据集（Fashion-136K）。

Jan, 2014

使用混合专家框架，本文旨在自动学习如何判断一个产品评论是否与给定查询相关，并在一个包括 1.4 百万个问题和答案以及 13 百万个评论的语料库上评估我们的系统，Moqa，并表明它对于处理二元和开放性查询都有效，在定性研究中还展示了这个系统能够提供人工评估认为相关的评论。

Dec, 2015

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

本文提出了第一个品牌级别的排名系统，针对个性化品牌排名问题进行了特征工程设计，并通过包含三种重要改进的 Attention-GRU 模型对品牌进行排名。作者进行了一系列实验来评估该排名模型的有效性，并在淘宝等大型电子商务平台上测试了用户对品牌级别排名系统的反应。

May, 2018

提出全局优化框架，实现对电子商务搜索中商品的排名，具体包括了相互影响的采购概率预测和排名任务，得出有关 GMV 的优化结果。

May, 2018