一种基于 Transformer 的个性化商品搜索嵌入模型

商品搜索是人们在电子商务平台上浏览和购买商品的重要方式。尽管顾客往往基于个人品味与偏好做出选择，但对商业商品搜索日志的分析表明，个性化并非总能提升商品搜索质量。然而，大多数现有商品搜索技术在搜索会话中执行无差别的个性化。它们要么使用固定系数控制个性化的影响，要么通过注意力机制让个性化始终生效。唯一显著的例外是最近提出的零注意力模型（ZAM），它允许查询关注零向量，从而自适应地调整个性化的效果。尽管如此，在 ZAM 中，个性化至多与查询同等重要，且物品的表示在整体集合中无论用户历史购买中共同出现的物品如何都是静态的。鉴于这些局限，我们提出了一种基于 Transformer 的嵌入模型（TEM）用于个性化商品搜索，该模型通过以 Transformer 架构编码查询序列与用户购买历史，动态控制个性化的影响。在必要时个性化可占主导地位，且在计算注意力权重时可考虑物品间的交互。实验结果表明，TEM 显著优于最先进的个性化商品检索模型。