面向运营级电子商务搜索的级联排序
机器学习
2017-06-08 v1 信息检索
摘要
在“大数据”时代，许多现实世界应用（如搜索）涉及大量项目的排序问题。获得有效的排序结果，同时以及时的方式高效获取结果，对于提供良好用户体验和节省计算成本至关重要。已有宝贵的前期研究致力于学习高效排序，如级联排序（学习）模型，该模型使用一系列排序函数逐步过滤部分项目并对剩余项目进行排序。然而，大多数现有的搜索中学习高效排序的研究是在相对较小的计算环境中使用模拟用户查询进行的。本文介绍了在大型运营级电子商务搜索应用（CLOES）中设计和部署级联模型的新颖研究与深入探讨，该应用每天处理数亿用户查询，涉及数百台服务器。现实世界应用的挑战为研究提供了新的见解：1). 现实世界的搜索应用通常涉及关于用户体验和计算成本的多种偏好或约束因素，如搜索准确性、搜索延迟、搜索结果大小和总 CPU 成本，而大多数现有搜索解决方案仅解决一两个因素；2). 电子商务搜索的有效性涉及多种类型的用户行为，如点击和购买，而大多数现有的搜索中级联排序仅对点击行为建模。基于这些观察，设计了一种新颖的级联排序模型，并将其部署在一个运营级电子商务搜索应用中。大量实验证明了所提工作在解决现实世界应用中有效性、效率和用户体验等多重因素方面的优势。
引用
@article{arxiv.1706.02093,
title = {Cascade Ranking for Operational E-commerce Search},
author = {Shichen Liu and Fei Xiao and Wenwu Ou and Luo Si},
journal= {arXiv preprint arXiv:1706.02093},
year = {2017}
}