基于知识蒸馏的电商商品搜索上下文相关性匹配
信息检索
2022-10-05 v1
摘要
在线相关性匹配是电商商品搜索中一项关键任务，可提升搜索引擎效用并保障流畅的用户体验。先前工作采用经典相关性匹配模型或Transformer风格模型来解决该问题。然而，它们忽略了电商商品搜索日志中普遍存在的二部图结构，且因效率过低难以在线部署。本文设计了一个高效的电商相关性匹配知识蒸馏框架，以融合Transformer风格模型与经典相关性匹配模型各自的优势。针对框架的核心学生模型，我们特别提出了一种基于阶相关性建模的新方法。在大规模真实数据（规模为6174百万）上的实验结果表明，所提方法在人类相关性判断的预测准确率上显著提升。我们将该方法部署于匿名在线搜索平台，A/B测试结果显示，在价格排序模式下我们的方法使UV价值显著提升了5.7%。
引用
@article{arxiv.2210.01701,
title = {Knowledge Distillation based Contextual Relevance Matching for E-commerce Product Search},
author = {Ziyang Liu and Chaokun Wang and Hao Feng and Lingfei Wu and Liqun Yang},
journal= {arXiv preprint arXiv:2210.01701},
year = {2022}
}