English(EN) TMallGS: Scaling Unified Feature and Sequence Modeling for Generative E-commerce Search

新的TMallGS架构提升了生成式电子商务搜索性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-15 02:52

研究人员开发了TMallGS，这是一种旨在通过统一特征和序列建模来增强生成式电子商务搜索的新架构。该系统通过采用分层分布校准的标记化和字段自适应门控Transformer骨干网络，解决了当前基于Transformer的方法的局限性。TMallGS还集成了解耦的FiLM晚期融合、上下文感知偏置网络和错误感知渐进式训练，以改善语义交互和信号保留。在Tmall Search上进行的在线A/B测试表明，在训练吞吐量、UCTCVR和GMV方面均取得了显著改进。 AI

影响这项研究可能为电子商务平台带来更高效、更有效的搜索功能，从而改善用户体验和销售。

排序理由该项目是一篇学术论文，详细介绍了电子商务搜索的新技术架构。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该项目是一篇学术论文，详细介绍了电子商务搜索的新技术架构。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 64 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · He Guo · 2026-07-15 02:52

TMallGS：为生成式电商搜索扩展统一特征和序列建模

In industrial search and ranking systems, Click-Through Rate (CTR) prediction is shifting from traditional Deep Learning Recommendation Models (DLRM) toward unified, compute-intensive Transformer architectures. This transition is driven by the need to improve Model FLOPs Utilizat…

本文如何被排名

报道来源 [1]

TMallGS：为生成式电商搜索扩展统一特征和序列建模

相关实体

相关话题