用于提升电子商务搜索相关性的可解释图与语言模型集成

电子商务领域的搜索相关性是一个具有挑战性的问题，因为它涉及理解用户简短而微妙查询的意图，并将其与目录中的适当产品进行匹配。传统上，该问题分别使用语言模型（LM）和图神经网络（GNN）来解决，以捕捉语义和產品间行为信号。然而，新架构的快速发展造成了研究与这些技术的实际采用之间的差距。评估这些模型部署的泛化能力需要在复杂的真实世界数据集上进行广泛的实验，这可能既不平凡又昂贵。此外，此类模型通常在人类无法理解的 latent space 表示上运行，使得评估和比较不同模型的有效性变得困难。这种缺乏可解释性的情况阻碍了该领域新技术的开发和采用。为了弥合这一差距，我们提出了即插即用图语言模型（PP-GLAM），这是一种可解释的即插即用模型集成。我们的方法采用具有统一数据处理流程的模块化框架。它利用加法解释性指标来独立决定是否包含 (i) 语言模型候选者，(ii) GNN 模型候选者，以及 (iii) 產品间行为信号。针对搜索相关性任务，我们表明 PP-GLAM 在真实世界的多语言、多区域电子商务数据集上优于多个 state-of-the-art 基线以及专有模型。为了促进更好的模型可理解性和采用，我们还提供了对我们模型的可解释性和计算复杂性的分析。我们同时提供了公共代码库并给出了实际实施的部署策略。