用于改进电商检索与排序的聚类语言模型：利用查询相似性与微调实现个性化结果
信息检索
2023-09-26 v1
摘要
本文提出一种利用聚类语言模型提升电商商品搜索准确性的新方法。该方法旨在解决双编码器（bi-encoder）架构的局限，同时保持极小的额外训练负担。其步骤包括：为每查询标注顶部商品，使用K-Means聚类算法生成语义相似查询簇，并在各簇上将全局语言模型微调为聚类语言模型。每个聚类语言模型的参数被微调以高效学习特征空间中的局部流形，捕捉各簇内不同查询类型的细微差异。推理时，将新查询分配至对应簇，并利用相应聚类语言模型进行检索。所提方法带来更准确且个性化的检索结果，为语义搜索中流行的基于双编码器的检索模型提供了更优替代方案。
引用
@article{arxiv.2309.14323,
title = {Cluster Language Model for Improved E-Commerce Retrieval and Ranking: Leveraging Query Similarity and Fine-Tuning for Personalized Results},
author = {Duleep Rathgamage Don and Ying Xie and Le Yu and Simon Hughes and Yun Zhu},
journal= {arXiv preprint arXiv:2309.14323},
year = {2023}
}
备注
Accepted at The 6th Workshop on e-Commerce and NLP (ECNLP 6), KDD'23, Long Beach, CA