面向 MSX 卖家的细粒度大规模内容推荐
信息检索
2024-07-10 v1 人工智能
机器学习
摘要
Microsoft 卖家最关键的任务之一是通过主动寻求和量身定制的解决方案来精细跟踪和培育潜在商业机会. 推荐系统在帮助卖家实现目标方面发挥着核心作用. 本文我们提出了一种内容推荐模型, 用于向卖家推荐各种类型的内容(技术文档、与竞品产品的比较、客户成功案例等.), 以便他们可与客户分享或用于自我学习. 该模型以机会层面运行, 这也是最细的粒度且对卖家最具相关性. 它基于内容元数据与机会中精心选取的属性之间的语义匹配. 鉴于像 Microsoft 这样的组织所管理的卖家机会的庞大规模, 我们展示了如何对大量机会-内容组合进行高效语义匹配. 主要挑战是确保从约 4 万个已发布内容中为每个机会推荐出其 top-5 相关内容. 我们通过对不同模型架构和特征选择进行广泛比较来实现了这一目标. 最终, 我们进一步在定量层面检查了推荐质量, 采用结合人类领域专家以及最近提出的 "LLM 作为评判官" 框架.
关键词
引用
@article{arxiv.2407.06910,
title = {Fine-grained large-scale content recommendations for MSX sellers},
author = {Manpreet Singh and Ravdeep Pasricha and Ravi Prasad Kondapalli and Kiran R and Nitish Singh and Akshita Agarwalla and Manoj R and Manish Prabhakar and Laurent Boué},
journal= {arXiv preprint arXiv:2407.06910},
year = {2024}
}