可解释的产品搜索:基于动态关系嵌入模型
本文介绍了一种利用图嵌入技术使神经信息检索模型可以利用图结构数据进行自动特征提取的方法,并将其应用于电子商务数据集中,结果显示该方法在多个强基线模型和排序框架中都有显著提高。
Jan, 2019
本文提出了一种能够同时解决语义差异问题和根据用户历史交互提供个性化语义搜索结果的新方法,将图嵌入、transformer 模型和基于术语的嵌入统一到一个嵌入模型中,同时分享了特征工程、硬负采样策略以及 transformer 模型应用方面的技巧。此个性化检索模型增强了用户的搜索体验,并提高了搜索购买率和网站整体转化率。
Jun, 2023
本文探讨了电子商务平台中产品检索服务的质量问题。针对嵌入式检索系统中存在的问题,提出了一种新的多粒度深层语义产品检索模型。改进的算法通过平滑噪声数据和生成硬负样本来提高相关性,并在淘宝搜索上进行了线下和在线实验,证明了其有效性,并成功应用于现有的多通道检索系统中。
Jun, 2021
本文介绍了嵌入式模型在电商搜索中的应用,该模型由两个塔式变压器编码器构成,利用自适应对抗性学习和级联训练方法,以特别关注基于内容的特征并有效地在噪声大的数据上进行训练,检测出相对于原方案 10%的 RECALL@20 的改进并通过在线 A / B 测试达到了每次搜索中增加购物车数量(CAPS)和商品销售总值(GMV)方面 1.5%和 4.1%的提高。
Sep, 2022
本文介绍了一种叫 DPSR 的新方法,用于解决电子商务搜索中的两个关键性问题:如何检索与查询语义相关但不是精确匹配的项目以及如何检索对于同一搜索查询的不同用户更个性化的项目。该方法通过离线和在线实验表明其优越性,能够显著提高用户的搜索体验,尤其是对于长尾查询。
Jun, 2020
H1 嵌入模型在电子商务平台的产品描述离线术语索引中,通过整合产品检索的词汇方法和基于语义嵌入的方法的优势,提出了一种构建语义丰富术语词汇的方法,能够作为单个标记来处理多词产品术语,提高系统的精度而不影响召回率,此模型在 WANDS 公共数据集上的混合搜索系统得分为 mAP@12 = 56.1% 和 R@1k = 86.6%,超过其他最先进的模型。
Jun, 2024
该研究旨在提高电子商务搜索系统的相关性预测性能,并提出了一种名为基于实体的相关模型(EBRM)的新模型,将 QI 问题分解为多个 QE 相关问题并聚合其结果形成 QI 预测。
Jul, 2023
本文介绍了一种基于嵌入式检索的电子商务搜索技术,提出了一种多模态、多任务的搜索嵌入式检索系统,称为 Que2Engage,旨在缩小检索与排名之间的差距以及在平衡不同商业目标的同时提供更好的搜索体验。该方案在 Facebook Marketplace Search 上实施后,两周内的 A/B 测试结果表明,搜索器的参与度有了显著性的提升。
Feb, 2023
提出了一个利用个性化特征提高产品排名准确性的新框架,该框架通过建立跨来源异构知识图来联合学习客户和产品嵌入,并将产品、客户和历史表示结合到神经重排模型中以预测特定客户最有可能购买的候选产品。实验表明,相比最先进的产品搜索模型,我们的模型将前几名的候选产品的准确性提高了 24.6%。
Apr, 2021
在电子商务搜索引擎中,语义相关性计算对于确保所选项目与客户意图紧密对齐至关重要。本文介绍了一种基于交互的建模范式,通过动态长度表示方案、专业术语识别方法和对抗性训练协议来增强模型的鲁棒性和匹配能力。离线评估表明我们方法的卓越鲁棒性和效果,在线 A/B 测试证实了在相同曝光位置提高相关性、增加点击和转化的能力。据我们所知,这是第一个用于大型电子商务搜索相关性计算的基于交互的方法。
Jun, 2024