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。
在个性化推荐系统中,使用嵌入来编码客户行为和物品,并通过近似最近邻搜索在嵌入空间中执行检索。然而,这种方法可能会面临两个挑战:用户嵌入可能限制了所捕捉的兴趣的多样性,而且需要保持它们的实时更新需要代价高昂的基础设施。在本文中,我们提出了一种在实际工业环境中克服这些挑战的方法。该方法动态更新客户配置文件,并每两分钟组合一个推荐列表,使用预计算的嵌入及其相似度。我们在荷兰和比利时最大的电子商务平台之一的 Bol 上测试并部署了这种方法。该方法提升了客户参与和体验,导致转化率显著提高了 4.9%。