ESANS：面向大规模检索系统的有效感知负采样方法
信息检索
2025-02-25 v1
摘要
工业级推荐系统通常采用两阶段流程：检索与排序，以匹配用户与数百万物品。检索阶段，基于嵌入的检索（EBR）方法依赖高效的负采样技术以提升性能与效率。然而现有技术常因误判为负样本、保证采样质量的高成本以及感知信息不足而受限。为此，我们提出一种有效感知负采样方法（ESANS），其集成两个关键组件：有效稠密插值策略（EDIS）与多模态感知聚类（MSAC）。EDIS 在低维嵌入空间内生成虚拟样本，以提升采样分布的多样性与稠密性，同时最小化计算成本。MSAC 则通过基于多模态信息（视觉、文本、行为）的层次聚类，优化负采样分布，确保感知一致性，降低误判为负样本的概率。大量离线与在线实验表明，ESANS 在效率与性能方面具有显著优势。
关键词
引用
@article{arxiv.2502.16077,
title = {ESANS: Effective and Semantic-Aware Negative Sampling for Large-Scale Retrieval Systems},
author = {Haibo Xing and Kanefumi Matsuyama and Hao Deng and Jinxin Hu and Yu Zhang and Xiaoyi Zeng},
journal= {arXiv preprint arXiv:2502.16077},
year = {2025}
}
备注
10 pages, 6 figures, Proceedings of the ACM Web Conference 2025