Dec, 2023

整合类别共性与个性化风格生成电子商务产品背景

PDF
TL;DR针对电子商务产品背景生成的当前方法在规模化生产时设计产品提示的效率低下，以及在定制某些特定品牌的个性化背景时描述细粒度风格的效果不佳的问题，本研究将分类共同性和个性化风格整合到扩散模型中。实验证明我们的方法能够为不同种类生成高质量背景，并保持参考图像的个性化背景风格。
e-commerceproduct background generationdiffusion modelscategory-wise generatorpersonality-wise generator
发现论文，激发创造
  • 利用检索辅助图像生成对电子商务产品进行在线广告展示

    通过生成敌对网络和复制粘贴分阶段的方法，我们可以改善动态产品广告中产品图像的吸引力和真实性，同时实现移动产品的动画展示。

    Jul, 2023

  • 电子商务中使用数据增强实现一致的文本分类

    本文提出了一种新框架来解决电子商务数据分类的问题，采用半监督学习方法进行数据增强，提高模型的一致性并保持其生产水平性能。

    May, 2023

  • 文本到图像与大型语言模型的链式生成：一种新方法用于生成个性化电子商务横幅

    利用文本与图像模型生成个性化网页横幅，基于用户的互动行为生成动态内容的横幅，通过大型语言模型系统地提取项目元信息的属性，并通过提示工程将属性传递给文本与图像模型生成横幅的图像，结果表明该方法可以为用户创建高质量的个性化横幅。

    Feb, 2024

  • 大规模扩散先验下的概念中心个性化

    通过将广阔规模扩散模型与概念中心的个性化相结合，提出了一种新的任务 —— 定制大规模扩散先验。采用通用无分类器引导（GCFG）的方法实现了条件引导的分离，从而解决了指导预测灾难性遗忘的问题，并开发了面向此任务的引导解耦个性化框架。文中还提出了一种无文本的概念中心扩散模型，用于学习概念引导。

    Dec, 2023

  • 弱监督表示学习在大规模产品检索中的应用

    本文介绍了一种用于 eBay 可视搜索挑战的弱监督商品检索的新型解决方案，该方案通过使用来自商品标题的伪属性作为多标签分类的真实值，采用多个强大的 backbones，包括白化，重排序和模型集成等后处理技术，实现了 71.53% 的 MAR，为 “Involution King” 在排行榜上获得第二名。

    Aug, 2022

  • 实现超个性化：时尚电商自动广告创意生成和排序

    本研究提出了一种利用深度学习来自动创建电子商务主页广告横幅大量个性化的方法，并通过基因算法实现了对图像内容、设计约束等因素的最优横幅布局生成，并设计了一个排名方法来帮助选择正确的横幅，其主要贡献是提高了广告横幅的个性化和大量生成的效率，同时适用于印度一家时尚电子商务企业 - Myntra 的数据。

    Aug, 2019

  • 电子商务领域的风格化数据生成案例研究

    提出了一个新的任务 —— 风格化数据到文本生成，旨在根据特定的风格为给定的非语言数据生成连贯的文本。为应对逻辑、风格和偏差等三个挑战，我们提出了一个名为 StyleD2T 的新型模型，包括三个组件：逻辑规划增强数据嵌入、基于掩码的风格嵌入和无偏向的风格化文本生成。

    May, 2023

  • 面向基于知识的个性化电商产品描述生成

    在电商平台中，我们通过结合神经网络和知识库提出了一种个性化的商品描述生成模型（KOBE），该模型通过考虑多种重要因素进行文本生成；实验结果证明，KOBE 比现有方法（包括模板和统计方法）表现更好，可实现 BLEU 指标提高 9.7%。该框架已在中国最大的在线电商平台淘宝上部署。

    Mar, 2019

  • 基于生成图像模型的视觉感知时尚推荐与设计

    本文研究了在时尚等领域中建立有效的推荐系统的挑战，并提出了一种基于 Siamese CNNs 以及深度学习网络的时尚感知图像表示和推荐方法，通过在像素级别训练图像表示和推荐系统，可以显著提高推荐性能和生成新的时尚产品设计。

    Nov, 2017

  • 基于类别风格表示的深度图像聚类

    本文提出了一种新颖的基于深度学习的图像聚类框架，通过最大化互信息和使用不变性损失来学习一个分类 - 风格的潜在表征，将图像的类别信息与其样式信息分离，并将类别向量作为聚类分配的概率。实验结果表明，与现有方法相比，该方法在五个公共数据集上的表现显著优于其他方法。

    Jul, 2020