GMV Innovating Solutions
PulseAugur coverage of GMV Innovating Solutions — every cluster mentioning GMV Innovating Solutions across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
激光雕刻机在东南亚通过AI和本地化配送销量激增500%
一家专注于激光雕刻设备的公司在东南亚取得了显著增长，在最近的Shopee促销活动期间，GMV增长了500%。这一成功归功于将AI集成到其软件中，该软件允许用户通过文本描述生成图案，从而简化了设计过程。该公司还利用了Shopee的平台功能，包括直播和短视频，来展示其产品的创意潜力，并利用GMV Max进行定向广告。此外，通过使用Shopee的本地化配送服务并在本地仓库备货，他们缩短了交货时间并降低了退货率，从而提升了整体客户体验。
-
阿里巴巴国际站9月采购节GMV增长20%
阿里巴巴国际站9月采购节迎来开门红，GMV同比增长近20%。该采购节高品质商机增长25.4%，近九成行业实现正增长。美国、加拿大、西班牙、英国等重点市场表现强劲，其中美国订单量居首，达31.6%。AI搜索也发挥了重要作用，带动商家GMV增长36%。
-
新的DCEO框架优化电子商务搜索以实现长期用户价值
研究人员开发了DCEO，一个数据驱动的框架，旨在优化电子商务搜索系统中的长期用户价值。这种新方法旨在创建与累积购买或商品交易总额（GMV）等最终目标更一致的物品级代理分数。DCEO利用actor-critic框架动态调整多个目标融合权重，超越了手动调整方案。DCEO在一个大规模的工业电子商务搜索系统中部署，在为期41天的A/B测试中，GMV提高了0.36%。
-
FunnelCausalNet模型优化优惠券分配以提升转化率和收入
研究人员开发了FunnelCausalNet，这是一种新颖的提升量估计器，旨在通过联合考虑转化率和收入来优化优惠券分配。该模型将一个二元转化头与一个非负条件价值头相结合，解决了商品总值（GMV）的零膨胀和重尾特性。该方法已在半合成和工业数据集上得到验证，旨在通过考虑补贴感知的投资回报率来提高投资回报率。
-
新的CRID方法增强生成式检索，提升电商GMV
研究人员开发了一种名为集群排序标识符（CRID）的新方法来改进生成式检索系统。CRID将文档标识符解耦为语义聚类和商业价值排名，这有助于避免冲突并将标识符的目标与业务目标对齐。在大型电子商务数据集上的实验表明，CRID的性能优于现有的基于嵌入的检索方法，并在全流量部署期间使商品交易总额（GMV）提高了1.06%。
-
新的PIT-SUN框架提升推荐系统回归准确性
研究人员开发了PIT-SUN，一个旨在提高推荐系统回归准确性的新框架。该框架解决了标准均方误差在处理复杂目标分布时出现的均值坍塌和尾部收缩等问题。PIT-SUN利用概率积分变换和无偏恢复来估计原始空间期望，在各种数据集和部署中显示出在准确性、校准和排名质量方面的稳健改进。
-
生成式AI框架增强多模态神经影像分析
研究人员开发了一种新颖的多模态生成框架，用于分析结构和功能磁共振成像（MRI）数据。该框架系统地评估了各种编码策略、潜在多模态融合技术和生成模型选择。与其他的生成式变体相比，所提出的多模态图VAE（gMMVAE）架构在生成保真度、重建质量、效率和潜在空间可辨别性等指标上表现出优越性能。
-
CanniUplift框架解决电子商务“同类相食”问题，以提高GMV
研究人员开发了CanniUplift，这是一个新框架，旨在解决电子商务增量建模中的挑战，特别是在多卖家环境中。该框架解决了两个主要问题：卖家级别的“同类相食”，即激励措施将支出在不同店铺之间转移，而没有增加平台总收入；以及激励措施级别的“同类相食”，这给增量估算引入了噪声。CanniUplift整合了平台级别全局对齐（Platform-level Global Alignment）来管理跨店铺的替代效应，以及基于兑换的分解去噪（Red…
-
LLM框架AIGP提升电商定价表现
研究人员开发了AIGP，一个使用大型语言模型（LLM）进行电商定价的新框架。该系统旨在通过整合领域知识和非结构化信息，以实现商品交易总额（GMV）和投资回报率（ROI）等长期业务目标，从而克服传统动态定价模型的局限性。AIGP利用一个使用离线强化学习和直接偏好优化（DPO）训练的长期价值估计器（LTVE）来指导定价决策。在陶工厂进行的在线A/B测试表明，AIGP在14天内将GMV提高了13%以上，ROI提高了近8%，里程碑达成率提高了…
-
大语言模型框架AIR将电子商务推荐速度提升400倍
研究人员开发了一个名为AIR（Atomic Intent Reasoning，原子意图推理）的新框架，以应对将大语言模型（LLMs）应用于工业跨域推荐系统的挑战。该框架通过将大语言模型推理迁移到离线阶段，解决了跨域语义鸿沟和用户行为数据嘈杂等问题。这种方法将推理速度提高了约400倍，同时保持了语义一致性。在真实电子商务环境中进行的大规模A/B测试表明，关键业务指标得到了显著改善，包括GMV（商品交易总额）增长了3.446%。