May, 2024

一种基于互信息的面向偏好的多样性模型用于电子商务搜索的再排序

PDF
TL;DR本研究提出了基于互信息的偏好多样性模型（PODM-MI），通过采用多维高斯分布来捕捉用户对多样性的偏好，并最大化多样性偏好与候选项之间的互信息，以提高它们之间的相关性，适应性地进行排序，实现准确性和多样性之间的平衡。在实际的在线电子商务系统上的实验证明了 PODM-MI 的重大改进，并成功地在一家电子商务搜索平台上部署了 PODM-MI。
发现论文，激发创造
  • 双边市场排名的用户公平性、物品公平性和多样性

    本文介绍了一种优化用户公平性、项目公平性和多样性的排名算法，并通过实验证明其在这三个方面的有效性和权衡。

    Oct, 2020

  • 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

  • 利用大型语言模型重新排序以增强推荐的多样性

    用大型语言模型进行多样性重新排序是一个有前途的方法，它能为推荐系统带来多样性而不需要特殊的知识工程。

    Jan, 2024

  • PIER: 电子商务中基于兴趣的置换级端到端重新排序框架

    本研究提出了名为 PIER 的新型端到端重新排序框架，采用两个主要模块 FPSM 和 OCPM，分别基于 SimHash 和全向注意机制提高重新排名效果，实验证明其在公共和工业数据集上均优于基线模型，已成功部署在美团外卖平台。

    Feb, 2023

  • 解决推荐系统中表观多样性 - 准确性两难问题

    介绍了一种针对推荐系统中推荐准确性和多样性的算法，通过将该算法与基于准确性的算法混合使用，能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。

    Aug, 2008

  • 在线表示很重要：搜索和推荐系统中的实用端到端多样化

    为了在在线平台中提高用户的代表性，我们提出了一种端到端的多样化机制，包括检索、排名和负责平衡多样性和实用性的多目标优化；实验结果表明这种方法显著提高了多样性，并且在实用性方面具有中性到正面的影响。

    May, 2023

  • Mallows-DPO: 用偏好离散来优化您的 LLM

    Mallows-DPO 是一种新方法，利用人类偏好的分散度指数来改进直接偏好优化方法 (DPO)，从而提高强化学习与人类反馈的性能，适用于各类基准任务，如合成赌徒选择、可控生成和对话，同时保持良好的泛化能力。

    May, 2024

  • Mallows 排名模型的概率偏好学习

    本文提出了一个新的 Bayesian 方法，以实现 Mallows rank 模型的有效计算，并推导出该模型下的共识排序，特别是当考虑到部分排序时，也给出了考虑到评估者个体差异的混合模型，同时在推荐系统中对评估者进行类别预测。

    May, 2014

  • 图探索很重要：在微信信息流推荐中提高个体和系统多样性

    提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

    May, 2023

  • 学习丰富排序

    采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

    Dec, 2023