一种用于电子商务相关性学习的统一神经网络方法
信息检索
2021-04-27 v1
摘要
结果相关性打分对电子商务搜索用户体验至关重要。传统的信息检索方法侧重于关键词匹配以及手工构造或基于计数的数值特征，对商品语义相关性的理解有限。我们描述了一种高度可扩展的前馈神经模型，仅为 (查询, 商品) 对提供相关性分数，仅使用用户查询和商品标题作为特征，并以用户点击反馈以及有限的人工评分为标签。我们应用了若干通用增强来进一步优化评估/测试指标，包括 Siamese 成对架构、随机批次负样本协同训练以及逐点微调。我们在一个独立构建的评分数据集上，发现相对于 GBDT 基线以及若干现成的深度学习基线有显著提升。GBDT 模型依赖多 10 倍的特征。我们还给出了上述技术所选子集组合的度量指标。
引用
@article{arxiv.2104.12302,
title = {A unified Neural Network Approach to E-CommerceRelevance Learning},
author = {Yunjiang Jiang and Yue Shang and Rui Li and Wen-Yun Yang and Guoyu Tang and Chaoyi Ma and Yun Xiao and Eric Zhao},
journal= {arXiv preprint arXiv:2104.12302},
year = {2021}
}
备注
6 pages