基于多情景学习的搜索与推荐统一框架
信息检索
2024-06-13 v2
摘要
搜索与推荐（S&R）是电子商务中最重要的两种场景。大多数用户通常在 S&R 场景中与产品进行交互，这表明了联合建模的必要性和潜力。传统的多情景模型使用共享参数来学习多个任务的相似性，并使用任务特定参数来学习单个任务的差异。这种粗粒度的建模方法无法有效捕捉 S&R 场景之间的差异。此外，这种方法未能充分利用全局标签空间中的信息。这些问题会导致多情景模型在处理 S&R 场景时表现次佳。为解决这些问题，我们提出了一种有效且通用的统一搜索与推荐框架（USR），通过 S&R 用户兴趣抽取层（IE）和 S&R 视图特征生成层（FG）分别生成用户兴趣和场景无关特征表示。随后，我们引入全局标签空间多任务层（GLMT），将全局标签作为辅助任务的监督信号，并使用条件概率联合建模主任务和辅助任务。在真实工业数据集上的大量实验评估表明，USR 可以应用于各种多情景模型，并显著提高其性能。线上 A/B 测试也表明在多个指标上均实现了显著的性能提升。目前，USR 已成功部署在 7Fresh App 中。
引用
@article{arxiv.2405.10835,
title = {A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce},
author = {Jinhan Liu and Qiyu Chen and Junjie Xu and Junjie Li and Baoli Li and Sulong Xu},
journal= {arXiv preprint arXiv:2405.10835},
year = {2024}
}
备注
Accepted by SIGIR 2024