TPDR: 一种新的两步变换器（Transformer）产品和类别描述匹配和检索方法

Oct, 2023

TPDR: 一种新的两步变换器（Transformer）产品和类别描述匹配和检索方法

TPDR: A Novel Two-Step Transformer-based Product and Class Description Match and Retrieval Method

Washington Cunha, Celso França, Leonardo Rocha, Marcos André Gonçalves

TL;DR本研究提出了 TPDR，一种基于 Transformer 的产品描述标准化和类别检索方法，能够利用注意机制和对比学习来探索 IS 和 SD 之间的语义对应关系，并结合句法特征进行重新排序，实验证明该方法在真实公司环境中取得了显著的效果提升。

Abstract

There is a niche of companies responsible for intermediating the purchase of large batches of varied products for other companies, for which the main challenge is to perform product description standardization, i.e., matching an item described by a client with a product described in a

product description standardization transformer-based product and class description retrieval attention mechanisms contrastive learning syntactic features

发现论文，激发创造

基于对比变压器学习的近距离数据生成的基于文本的人物搜索

提出了一种简单而有效的双变压器模型用于基于文本的人物搜索，通过利用一种感知困难的对比学习策略，自动生成更多多样化的数据以改善数据不足问题，实验结果显示该方法在文本与图像之间的横向检索任务中明显优于其他方法。

Nov, 2023

使用结构化张量积表示丰富 Transformer 来进行抽象概括

本文介绍了一种在输入文档中识别关键信息并把它们组织成简短摘要的方法：使用增强型 Transformer 架构 TP-TRANSFORMER（Schlag et al.，2019），该架构通过引入 Tensor Product Representation（TPR）并采用双重编码来表示句法结构和语义内容。实验证明该方法能够在多个抽象摘要数据集上显著地胜过传统的 Transformer 和原始的 TP-TRANSFORMER，同时表现出更好的句法和语义解释性能。

Jun, 2021

DPTDR: 深度提示调整用于稠密通道检索

本篇论文旨在研究在密集检索中，如何利用深度提示调整来减少部署成本，提出了两种与预训练语言模型和密集检索任务兼容的方法，并在 MS-MARCO 和自然问题数据集上取得了优于之前最先进模型的效果。

Aug, 2022

域和相关性分离建模用于可适应的密集检索

提出一种名为 Disentangled Dense Retrieval（DDR）的新型 Dense Retrieval 框架来支持 DR 模型的有效和灵活的领域自适应，该框架包括一个 Relevance Estimation Module（REM）和几个 Domain Adaption Modules（DAMs），通过使 REM 和 DAMs 分离，DDR 实现了一种灵活的训练范式，在不同的领域和语言中都表现出比强大的 DR 基线更好的排名性能。

Aug, 2022

DDTCDR：深度双重转移跨领域推荐

本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。

Oct, 2019

面向电子商务的领域自适应产品搜索器

该论文提出了一种称之为 DAE 的框架，旨在通过同步搜索图像以便在不同的级别上寻找商品以及通过对象级别制定模板来实现无监督的领域自适应。

Apr, 2023

检索增强的 Transformer-XL 用于闭域对话生成

本研究提出了基于 Transformer 的多轮对话响应生成模型，采用新颖的检索机制，结合 k 最近邻搜索，基于 Google 发布的 Taskmaster-1 数据集和真实的客户服务呼叫中心数据集进行评估，结果优于强基线模型。

May, 2021

面向个性化和语义检索的端到端解决方案：基于嵌入学习的电子商务搜索

本文介绍了一种叫 DPSR 的新方法，用于解决电子商务搜索中的两个关键性问题：如何检索与查询语义相关但不是精确匹配的项目以及如何检索对于同一搜索查询的不同用户更个性化的项目。该方法通过离线和在线实验表明其优越性，能够显著提高用户的搜索体验，尤其是对于长尾查询。

Jun, 2020

基于嵌入式技术的淘宝搜索商品检索

本文探讨了电子商务平台中产品检索服务的质量问题。针对嵌入式检索系统中存在的问题，提出了一种新的多粒度深层语义产品检索模型。改进的算法通过平滑噪声数据和生成硬负样本来提高相关性，并在淘宝搜索上进行了线下和在线实验，证明了其有效性，并成功应用于现有的多通道检索系统中。

Jun, 2021

深度检索：学习大规模推荐系统的可检索结构

本文中介绍了 Deep Retrieval (DR) 算法，通过学习可检索结构来获取最优推荐结果，其编码所有候选项入离散潜在空间，接着使用当前模型下的光束搜索来检索前置候选项，以实现重新排名。实验证明，使用 DR 算法，在两个公共数据集上能够实现近乎于暴力基线的准确性，并且在实时生产推荐系统上，高度优化的 DR 算法显著优于 ANN 基准线。DR 是非 ANN 的推荐算法在工业推荐系统规模的首批成功部署之一。

Jul, 2020