基于 BERT 的产品排序多任务学习框架
信息检索
2022-04-04 v2
摘要
产品排序是许多电子商务服务的关键组成部分。产品搜索的主要挑战之一是查询与产品之间的词汇不匹配，这与其他信息检索领域相比可能是一个更大的词汇鸿沟问题。虽然专门用于克服此问题的神经学习匹配方法越来越多，但它们并未利用大型语言模型在产品搜索方面的最新进展。另一方面，产品排序通常处理多种类型的参与信号，如点击、加入购物车和购买，而现有的大部分工作都专注于优化点击率等单一指标，这可能面临数据稀疏问题。在这项工作中，我们提出了一种新颖的端到端多任务学习框架，利用 BERT 进行产品排序，以应对上述挑战。所提出的模型利用经过微调的领域特定 BERT 来弥合词汇鸿沟，并采用多任务学习同时优化多个目标，从而产生了一个通用的端到端产品搜索学习框架。我们在一个真实世界的电子商务数据集上进行了一系列全面的实验，并证明了所提出的方法相对于最先进的基线方法有显著改进。
引用
@article{arxiv.2202.05317,
title = {A Multi-task Learning Framework for Product Ranking with BERT},
author = {Xuyang Wu and Alessandro Magnani and Suthee Chaidaroon and Ajit Puthenputhussery and Ciya Liao and Yi Fang},
journal= {arXiv preprint arXiv:2202.05317},
year = {2022}
}
备注
accepted by WWW22