超越语义：基于自监督学习的行为增强相关性模型
信息检索
2023-10-25 v4 人工智能
摘要
相关性建模旨在为相应查询定位理想条目，这对于搜索引擎保障用户体验至关重要。尽管大多数传统方法通过评估查询与条目之间的语义相似度来解决该问题，但纯粹的语义匹配并非全部。实际上，从搜索日志的用户历史行为数据中提取的辅助查询-条目交互可进一步揭示用户搜索意图。受此启发，我们设计了一种新颖的支付宝搜索行为增强相关性学习模型（BARL-ASe），该模型利用目标条目的邻居查询和目标查询的邻居条目来补充目标查询-条目语义匹配。具体而言，我们的模型构建多级协同注意力，从邻居视图和目标视图中提炼粗粒度与细粒度语义表示。随后，模型采用邻居-目标自监督学习，通过加强表示与逻辑输出学习来提升BARL-ASe的准确性和鲁棒性。此外，我们探讨了如何实际处理支付宝小程序搜索场景下的长尾查询-条目匹配。在真实工业数据和在线A/B测试上的实验表明，我们的方案以低延迟取得了令人满意的性能。
引用
@article{arxiv.2308.05379,
title = {Beyond Semantics: Learning a Behavior Augmented Relevance Model with Self-supervised Learning},
author = {Zeyuan Chen and Wei Chen and Jia Xu and Zhongyi Liu and Wei Zhang},
journal= {arXiv preprint arXiv:2308.05379},
year = {2023}
}
备注
Accepted by CIKM2023