电商场景下无需在服务时获取用户反馈的再排序模型学习
信息检索
2024-06-21 v1 机器学习
摘要
推荐系统在电商领域得到了广泛应用，再排序模型在该领域发挥着越来越重要的作用，利用项目间相互影响并决定最终的推荐列表。在线学习方法会使用最新可用样本来更新已部署的模型，以捕捉电商环境中数据分布的变化。然而，这些方法依赖于用户反馈的可用性，而用户反馈（如商品购买）可能因延迟数小时甚至数天而导致模型更新滞后。本文提出了一种新的在线学习方法的扩展，用于再排序建模，我们称之为 LAST，即 Learning At Serving Time (在服务时学习)。它通过使用替代模型来提供所需的指导信号，以避免对用户反馈的要求。收到在线请求后，LAST 在生成该请求的推荐结果之前即即时地查找并应用模型修改。该修改是请求特定的和暂时的，即仅为当前请求量身定制，以捕捉请求的具体上下文。请求结束后，该修改将被丢弃，这有助于防止误差传播并稳定在线学习过程，因为替代模型的预测可能不准确。最重要的是，作为基于反馈的在线学习方法的补充，LAST 可无缝集成到现有的在线学习系统中，以创建更具适应性和响应性的推荐体验。全面的离线和在线实验表明，LAST 在各种再排序模型中都表现出色。
引用
@article{arxiv.2406.14004,
title = {Do Not Wait: Learning Re-Ranking Model Without User Feedback At Serving Time in E-Commerce},
author = {Yuan Wang and Zhiyu Li and Changshuo Zhang and Sirui Chen and Xiao Zhang and Jun Xu and Quan Lin},
journal= {arXiv preprint arXiv:2406.14004},
year = {2024}
}