大规模视频驱动电子商务中的视频检索神经图匹配
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
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