面向电商搜索深度语义相关性匹配的异质网络嵌入
信息检索
2021-01-14 v1 机器学习
摘要
结果相关性预测是电商搜索引擎提升效用并保障流畅用户体验的关键任务。过去数年见证了利用 Transformer 风格模型与深度文本匹配模型改进相关性的大量研究。然而，这两类模型忽视了电商搜索日志中普遍存在的二部网络结构，导致效果受限。本文提出一种新颖的二阶相关性，其与以往的一阶相关性有本质不同，以改进结果相关性预测。我们首次设计了一个端到端的一阶与二阶相关性预测模型用于电商物品相关性。该模型利用由用户行为反馈（包括点击与购买）信息构建的二部网络邻域结构进行增强。为确保边准确编码相关性信息，我们引入由 BERT 生成的外部知识来精炼用户行为网络。这使得新模型能够整合与所关注查询-物品对高度相关的邻域物品与查询信息。离线实验结果表明，新模型在人工相关性判断的准确率上显著提升。消融研究显示，一阶与二阶模型相较一阶模型获得 4.3% 的平均增益。在线 A/B 测试结果表明，与基线模型相比，新模型带来了更多商业收益。
引用
@article{arxiv.2101.04850,
title = {Heterogeneous Network Embedding for Deep Semantic Relevance Match in E-commerce Search},
author = {Ziyang Liu and Zhaomeng Cheng and Yunjiang Jiang and Yue Shang and Wei Xiong and Sulong Xu and Bo Long and Di Jin},
journal= {arXiv preprint arXiv:2101.04850},
year = {2021}
}