面向淘宝搜索个性化商品检索的多目标图对比学习
信息检索
2023-07-11 v1
摘要
在电商搜索中，个性化检索是改善用户购物体验的关键技术。该领域近期工作通过表示学习范式（如基于嵌入的检索（EBR）和协同过滤（CF））取得了显著改进。EBR方法未能充分利用有用的协同信号，且难以学好长尾物品的表示。基于图的CF方法通过在用户点击图中建模协同信号来改善个性化。然而，现有基于图的方法忽略了用户的多种行为（如点击/购买）以及用户行为与物品之间的相关性约束。本文提出一种多目标图对比学习（GCL-MO）协同过滤模型，解决了电商搜索中相关性弱与个性化不完整的问题。具体而言，GCL-MO构建物品的同质图，然后优化个性化与相关性的多目标函数。此外，我们提出一种用于多目标图学习的改进对比损失，避免了正样本间的相互抑制，从而提升了长尾物品表示的泛化性与鲁棒性。这些学到的物品嵌入随后通过构建高效的离线与在线倒排表用于个性化检索。GCL-MO在离线与在线实验指标上均优于在线协同过滤基线，并在淘宝搜索的在线A/B测试中显示出显著提升。
引用
@article{arxiv.2307.04322,
title = {Graph Contrastive Learning with Multi-Objective for Personalized Product Retrieval in Taobao Search},
author = {Longbin Li and Chao Zhang and Sen Li and Yun Zhong and Qingwen Liu and Xiaoyi Zeng},
journal= {arXiv preprint arXiv:2307.04322},
year = {2023}
}