请查收｜ 京东零售技术AI领域前沿探索-10篇顶会论文合集
💡
原文中文，约6600字，阅读约需16分钟。
📝
内容提要
京东零售技术团队在2024年发表多篇AI论文，涉及目标检测和排序模型等，提出新框架和方法以提升电商搜索和推荐系统性能，解决长尾商品和用户偏好问题，推动技术进步。
🎯
关键要点
- 京东零售技术团队在2024年发表多篇AI论文，涵盖多个领域。
- 论文涉及目标检测、多场景学习、排序模型等方向。
- 提出新框架和方法以提升电商搜索和推荐系统性能。
- 解决长尾商品和用户偏好问题，推动技术进步。
- 开放词汇目标检测的新框架BIND，提升检测效率。
- 基于多场景学习的搜推联合建模框架，显著提升性能。
- 优化电商搜索的粗排模型，提升排序一致性和长尾泛化能力。
- 基于互信息的用户偏好导向模型，平衡准确性和多样性。
- 引入JDivPS数据集，推动多样化产品搜索研究。
- 半监督多通道图卷积网络解决查询意图分类问题。
- 基于预训练的插件式CTR预估模型，提升排序能力。
- 广告商品排序和创意优选的并行结构，提升广告投放效率。
- 快慢轨迹学习框架增强点击率预测模型的时序适应能力。
- 任务感知解码技术缓解大模型的幻觉问题，提升生成效果。
❓
延伸问答
京东零售技术团队在2024年发表了哪些领域的AI论文？
京东零售技术团队在2024年发表的AI论文涵盖目标检测、多场景学习、排序模型等多个领域。
BIND框架在目标检测中有什么创新？
BIND框架通过消除模块替换需求，采用图像-文本双编码器和DETR风格解码器的两阶段训练，显著提高了检测效率。
京东提出的用户偏好导向模型如何平衡准确性和多样性？
该模型基于互信息，通过最大化用户多样性偏好与候选商品之间的互信息，来同时考虑准确性和多样性。
JDivPS数据集的主要特点是什么？
JDivPS是一个公开访问的数据集，包含10,000个查询和约1,680,000个独特产品，具有人工标注的用户意图。
京东如何优化电商搜索的粗排模型？
京东通过引入多个二元分类任务提升粗排精排一致性，并利用对比学习提高模型的长尾泛化能力。
快慢轨迹学习框架的主要功能是什么？
快慢轨迹学习框架旨在减缓过去和未来之间的领域漂移，增强模型的时序适应能力。
➡️
