May, 2024

优化电子商务搜索：朝向可泛化和排名一致的预排序模型

PDF
TL;DR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％。
e-commerce platformssearch systemspre-ranking modelranking consistencygeneralizability
发现论文，激发创造
  • 为在线广告设计的一种面向一致性的预排名算法

    提出了一种面向在线广告的一致性预排名框架，包括使用基于块的采样模块和即插即用的等级对齐模块，显式地优化 ECPM 排名结果的一致性。

    Jun, 2023

  • 重新思考大规模预排名系统：整条链跨领域模型

    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

  • 基于 Attention-GRU 模型的品牌级别排名系统

    本文提出了第一个品牌级别的排名系统，针对个性化品牌排名问题进行了特征工程设计，并通过包含三种重要改进的 Attention-GRU 模型对品牌进行排名。作者进行了一系列实验来评估该排名模型的有效性，并在淘宝等大型电子商务平台上测试了用户对品牌级别排名系统的反应。

    May, 2018

  • 电商搜索中基于全局优化互影响意识的排名

    提出全局优化框架，实现对电子商务搜索中商品的排名，具体包括了相互影响的采购概率预测和排名任务，得出有关 GMV 的优化结果。

    May, 2018

  • 操作型电子商务搜索的级联排序

    在大规模电商搜索应用中，本文设计并部署了一种新型的级联排序模型，解决了实际搜索应用中多种用户体验、计算费用等约束条件的问题，有效提高了搜索效率和用户体验。

    Jun, 2017

  • 2022 Amazon KDD Cup：面向电子商务产品搜索的多任务预训练模型

    本文提出了一种有效的多语言模型，该模型不仅利用已经处理好的类平衡数据集，还通过多任务预训练获得更一般化的表示。作者采用了 mlm 任务、分类任务和对比学习任务，在微调阶段采用自信学习、EMA、FGM 和 R-Drop 等方法提高模型的泛化能力和鲁棒性，采用多粒度语义单元来寻找查询和产品文本元数据，以增强模型的表示能力。该方法在三个任务中排名前八。

    Jan, 2023

  • 针对电子商务非默认搜索排名的 BERT 微调

    本文提出了一种基于 Bert-Large 的双阶段排序方案，首先通过精细的查询 / 标题关键词匹配检索候选商品，然后利用经过人工标注数据的 BERT-Large 进行分类，同时在多个 GPU 主机上实现并行预测和基于 Tensorflow 的 C++ 分词自定义操作。在数据挑战中，我们的模型在监督阶段的总 F1 分数上获得了第一名，在最终阶段的平均每个查询的 F1 分数上获得了第二名。

    Aug, 2020

  • COLD: 迈向下一代预排序系统

    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

  • 基于预训练语言模型的百度搜索排名

    本文介绍了将预训练语言模型（PLMs）引入搜索引擎的相关技术及其在实际应用中所面临的问题，使用 ERINE 语言模型以及创新的预训练策略、调整排列信号的方法，成功提高搜索引擎的性能。

    May, 2021

  • 基于实体的理性化、可干预和快速相关性模型，提高电商搜索文本匹配

    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