本文提出了一种统一的端到端方法，用于构建面向电子商务的大规模视觉搜索和推荐系统。我们通过统一的深度卷积神经网络结构，VisNet，来学习嵌入，以捕捉几个语义颗粒度的视觉相似性概念，从而证明了我们方法在Exact Street2Shop数据集上的优越性能，为Flipkart的50M产品目录提供了支持2K的视觉推荐查询，从而产生了显著的业务影响。

Mar, 2017

为优化电商中消费者生成视频的推荐，我们提出了一种端到端的建模方式，包括综合使用消费者生成视频的内容、评论句子和商品属性，并基于图神经网络实现多粒度视频分析和故事线总结。

Jun, 2020

本研究通过数据分析及建模，基于多重双向图解析互动信息，提出了一种新型的直播电商图神经网络框架（LSEC-GNN）以及优化商品推荐的多任务学习方法，并在不同规模的实际数据集上，对比了多种基准方法，表明我们的方法效果显著优于其他方法。

Jun, 2021

这篇论文介绍了一种名为GNN-GMVO（Graph Neural Network - Gross Merchandise Value Optimizer）的新型GNN架构，旨在通过考虑物品之间复杂的关系并直接优化GMV来解决电子商务系统中的类似物品推荐问题。通过在三个实际数据集上进行全面实验，与一些最先进的基准模型相比，我们的模型在预测性能和预期GMV方面展现出更好的表现。

Oct, 2023

在Shopee的大规模电子商务商品检索中，我们采用了图神经网络（GNN）及其简单但创新且有影响力的技术，包括图构建、建模和处理数据偏斜，以提高离线评估和在线A/B测试，并将模型部署到Shopee推荐广告系统的主要流量中。

Oct, 2023

推荐系统中，通过使用图卷积网络中的变分嵌入进行预训练，取得了改善特征传播的效果，进而提高回忆率和归一化折现累积增益指标。

Nov, 2023

本研究聚焦于使用图卷积网络（GCNs）的多媒体推荐系统，旨在更有效地利用多模态特征以准确捕捉用户对项目的偏好。通过提出模态包容GCN（MeGCN）和目标感知注意力等两个核心思想，我们的实验表明MONET在七种最先进的竞争者中非常优越（在召回率@20方面比最佳竞争者高出30.32％），并证明了MONET的两个核心思想的有效性。

Dec, 2023

在电子商务领域中，搜索相关性问题具有挑战性，因为它涉及理解用户的简短微妙查询的意图，并将其与目录中的适当产品匹配。为了弥合研究和实际采用这些技术之间的差距，我们提出了Plug and Play Graph LAnguage Model（PP-GLAM），一个可解释的插拔模型集合。通过均匀的数据处理流程和增加的解释度量，我们展示了PP-GLAM在真实多语言、多区域电子商务数据集上优于几种最先进的基准模型及专有模型。为了促进更好的模型可理解性和采用度，我们还提供了模型的解释性和计算复杂性分析，并提供了实际实施的部署策略的公共代码库。

Mar, 2024

本文介绍了一种基于图的个性化模型方法，该方法结合了异构图神经网络（HGNN）和大型语言模型（LLM）来实现多类型物品的个性化推荐，并在一个真实的工业音频流平台上进行了严谨的测试和有效性验证。

Mar, 2024

在电子商务搜索中，我们提出了一种名为轻量级端到端图兴趣网络（EGIN）的新方法，通过利用搜索系统中查询和项目的相关性和顺序信息构建异构图，以提高点击率（CTR）的预测。

Jun, 2024