操作型电子商务搜索的级联排序
级联排序在在线广告和推荐系统中被广泛应用于大规模前 k 选择问题,而学习排序是优化级联排序系统模型的重要方法;本文提出了一种新颖的适应级联排序系统的优化目标的方法,通过多任务学习框架自适应地结合放松和完整优化目标的优化;并且引入置换矩阵表示排序度量,并使用可微排序技术获得带有可控逼近误差界限的放松置换矩阵,从而在深度学习框架内直接且适当地优化放松和完整优化目标,通过提出的代理损失进行;实验证明了方法的有效性和泛化性,并且在线实验表明了方法的显著应用价值。
Oct, 2023
在大型电子商务平台中,搜索系统通常由一系列模块组成,其中包括召回、预排序和排序阶段。我们提出了一种新颖的方法:一种具有一般化和秩次一致性的预排序模型(GRACE),通过引入多个二分类任务来预测产品是否在排名模型估计的前 k 个结果中,从而实现排名的一致性,并通过预训练对所有产品的对比学习来实现一般化。实验证明,在离线度量和在线 A/B 测试中都取得了显著的改进:AUC 增加了 0.75%,CVR 增加了 1.28%。
May, 2024
通过增强的表示学习和细粒度实例关系的对比损失,以及关注内在标签分类法的细粒度层次分类损失,我们提出了一种新颖的框架来解决层次化查询分类的挑战,同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明,我们的方法优于专有的 Amazon 数据集上的最先进方法,并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美,这些结果凸显了我们提出解决方案的有效性,并为下一代层次感知查询分类系统铺平了道路。
Mar, 2024
通过引入整个链式样本空间依赖,本文提出了一种名为 ECM 的整体链式跨领域模型,用于解决预排序系统中样本选择偏差问题,并设计了一种名为 ECMM 的细粒度神经结构,进一步提高预排序的准确性。实证评估结果表明,我们的预排序模型在实时大规模流量日志中表现优于最先进的方法,在可接受的时间消耗内实现了效率和效果的更好平衡。
Oct, 2023
提出了一个新的在线学习排序算法 - BatchRank,适用于广泛的点击模型,包括级联和基于位置的模型,并在 Web 搜索查询的一系列测试中性能优越。
Mar, 2017
本文提出了 COLD 算法,通过联合优化预排名模型和所需的计算量,在不损失模型性能的前提下,控制计算成本,实现了优异的性能表现。该算法可以广泛应用于推荐系统和在线广告等领域。
Jul, 2020
本文提出一种新方法,利用点击行为数据学习网页搜索结果的排序检索函数,通过查询链生成新类型的偏好判断,并实现了一个实际的搜索引擎进行测试,实验结果表明与传统排序函数和不考虑查询链情况下的排序函数相比,该方法在搜索引擎排序上有显著的改进。
May, 2006
本文探讨了将 Learning to Rank 方法应用于 E-Com search 中的实际挑战,提供了一些优化方法和实验结果,包括利用产品项上的人气特征和减少查询属性稀疏性的特征选择,以及选择订购率作为训练目标。
Mar, 2019