基于双编码器和图神经网络的跨语言赞助搜索：面向广告平台的上下文感知查询翻译
统计方法学
2025-10-28 v1 应用统计
摘要
跨语言赞助搜索是全球广告平台的关键任务，用户来自不同的语言背景，与多语言广告交互。传统机器翻译方法往往无法捕捉查询特定的上下文线索，导致语义歧义，严重影响点击-through率（CTR）和转化率（CVR）。为此，我们提出AdGraphTrans，一种基于双编码器框架并融合图神经网络（GNN）的新方法，用于广告场景下的上下文感知查询翻译。具体而言，用户查询和广告内容分别使用基于多语言Transformer编码器（mBERT/XLM-R）进行独立编码，将如共点击广告、用户搜索会话和查询-广告共现等上下文关系建模为异构图。随后应用图注意力网络（GAT）以利用语义和行为上下文来细化嵌入向量。通过对比学习对这些嵌入进行对齐，以减少翻译模糊性。我们在来自Google Ads和Amazon Ads（EN-ZH、EN-ES、EN-FR等语言对）的跨语言赞助搜索数据集上进行实验，结果显示AdGraphTrans显著提升查询翻译质量，BLEU分数达到38.9，语义相似度（余弦得分）达到0.83，超越mBERT和M2M-100等强大基线方法。此外，在下游广告检索任务中，AdGraphTrans相对于基线方法实现了+4.67%的CTR提升和+1.72%的CVR提升。这些结果确认了将图基上下文信号与双编码器翻译相结合，为广告平台的跨语言赞助搜索提供了稳健的解决方案。
引用
@article{arxiv.2510.22957,
title = {Cross-Lingual Sponsored Search via Dual-Encoder and Graph Neural Networks for Context-Aware Query Translation in Advertising Platforms},
author = {Ziyang Gao and Yuanliang Qu and Yi Han},
journal= {arXiv preprint arXiv:2510.22957},
year = {2025}
}