提出了针对电子商务撰写任务的统一和定制的 LLaMA-E 语言模型，包括广告生成、查询增强的产品标题重写、产品分类、购买意向推测和常见问答等任务，并将 GPT-3.5 作为教师模型，通过扩展种子指令形成 LLaMA-E 模型的训练集，在定量和定性评估中取得了最先进的结果，并在零样本场景中展现出优势。

Aug, 2023

我们介绍了由 LiLiuM 系列构成的大型语言模型（LLMs）：1B、7B 和 13B 参数模型，这些模型完全由 eBay 内部开发，以适应 eBay 在电子商务领域的特定需求，并实现了对模型许可、数据、词汇表和架构的全部控制，使得它们可以用作微调和指导微调的基础模型，消除对外部模型的依赖性。

Jun, 2024

电子商务和网络应用的蓬勃发展使得推荐系统成为我们日常生活中重要的一部分，但是现有基于深度神经网络的方法在理解用户兴趣、捕捉文本信息以及推广到不同场景等方面仍存在限制。近期的研究借助大型语言模型的崛起旨在改进推荐系统，本文系统回顾了已有的大型语言模型驱动的推荐系统，介绍了使用大型语言模型作为特征编码器学习用户和物品表示的方法以及在预训练、微调和提示等三个范式下的最新进展，并对这一新兴领域的未来方向进行了全面的讨论。

Mar, 2024

本文研究了将预训练语言模型应用于传统推荐算法中对电子商务数据集的影响，并将结果与基准模型进行了比较。通过领域特定的微调，将 PLMs 应用于传统推荐算法中可以提高模型的预测能力。这些结果凸显了在电子商务环境中利用文本信息的重要性，并提供了更好地应用 PLMs 的见解。

Feb, 2023

本研究提出了一种创新的框架，将 BERT 用于分类、有条件随机场（CRFs）层用于属性值提取，以及大型语言模型（LLMs）用于数据标注，显著提高了对顾客查询中属性的识别能力。通过在电子商务数据中细致的产品类型和属性间的关系上引入装饰关系修正机制，并使用 LLMs 将附加数据标注为模型的完善和覆盖提供支持，我们的方法在不同数据集上进行了验证，并在 Walmart 的 Sponsor Product Search 中得到了令人期待的结果，彰显了其实用性和有效性。

Dec, 2023

使用大型语言模型（例如 GPT-4）进行电子商务应用中基于结构化产品描述的属性 / 值对提取，相较于现有技术，该方法在数据使用效率和性能方面有显著优势。

Oct, 2023

多模态搜索系统结合图像和文本，通过增强匹配能力、推理能力和上下文感知的查询解析和重写，提供用户与其搜索意图自然有效的交互。在 Fashion200K 数据集上，我们引入了一种新颖的多模态搜索模型，并提出了结合大型语言模型的搜索界面，以实现与用户的对话式互动和上下文考虑的搜索体验的升级，为购物助手提供了类人交互和全面的搜索体验。

Apr, 2024

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

我们提出了一种名为 LLM-ensemble 的新算法，用于综合不同 LLMs 的输出，以提取属性值，并在 Walmart 的内部数据上进行了广泛的实验，结果表明该方法优于所有其他单个 LLM。

Feb, 2024

本文提出了一种新的设置，通过加入营销关键词生成与产品特点更符合的图像描述。为解决同类产品拷贝文字相似导致生成描述不准确的问题，引入了名为 ModICT 的多模态文本调整方法，通过类似产品样本作为参考，利用语言模型的上下文学习能力生成描述。实验证明，与传统方法相比，ModICT 显著提高了生成结果的准确性（Rouge-L 提升了 3.3%）和多样性（D-5 提升了 9.4%），可用于增强各种应用中自动生成产品描述的效果。

Feb, 2024