EENMF：一种面向电商赞助搜索的端到端神经匹配框架
信息检索
2018-12-11 v4 机器学习
机器学习
摘要
电商赞助搜索为电商企业贡献了重要的收入部分。出于效果与效率考虑，大规模赞助搜索系统通常采用多阶段架构。我们将这些阶段命名为广告检索、广告预排序与广告排序。本文将广告检索与广告预排序统称为广告匹配。我们提出一种端到端神经匹配框架（EENMF）来建模两项任务——基于向量的广告检索与基于神经网络的广告预排序。在深度匹配框架下，基于向量的广告检索利用用户近期行为序列检索相关广告候选，不受关键词出价约束。同时，深度模型被用于高效且有效地对来自多路检索路径的广告候选进行全局预排序。此外，所提模型试图优化与排序阶段预测模型目标一致的点wise交叉熵损失。我们进行了广泛评估以验证所提框架的性能。在大规模电商赞助搜索的真实流量中，所提方法显著优于基线。
引用
@article{arxiv.1812.01190,
title = {EENMF: An End-to-End Neural Matching Framework for E-Commerce Sponsored Search},
author = {Wenjin Wu and Guojun Liu and Hui Ye and Chenshuang Zhang and Tianshu Wu and Daorui Xiao and Wei Lin and Xiaoyu Zhu},
journal= {arXiv preprint arXiv:1812.01190},
year = {2018}
}