电商中基于上下文排序聚合的学习式集成
机器学习
2023-02-03 v3 人工智能
摘要
电子商务中的集成模型结合多个子模型的预测以改善排序和收益。工业级集成模型通常为深度神经网络，遵循监督学习范式，在给定子模型输入的情况下推断转化率。然而，这一过程存在以下两个问题。首先，逐点打分方法忽视了物品之间的关系，导致展示结果同质化，而多样化展示有利于用户体验和收益。其次，学习范式关注排序指标，并未直接优化收益。在我们的工作中，我们提出一种新的学习式集成（LTE）框架 RAEGO，其用上下文排序聚合器（RA）替代集成模型，并通过评估器-生成器优化（EGO）探索子模型的最佳权重。为获得最佳在线性能，我们提出一种新的排序聚合算法 TournamentGreedy 作为经典排序聚合器的改进，该算法在所考虑的所有算法中以二次时间复杂度产生了最佳的平均加权 Kendall Tau 距离（KTD）。在最佳输出列表对于子模型在 KTD 指标上应为帕累托最优的假设下，我们表明我们的 RA 算法在探索最优权重方面具有更高的效率和覆盖率。结合贝叶斯优化和梯度下降的思想，我们解决了在线上下文黑盒优化任务，即在给定所选 RA 模型的情况下为子模型找到最优权重。RA-EGO 已部署于我们的在线系统，并显著提升了收益。
引用
@article{arxiv.2107.08598,
title = {Learning-To-Ensemble by Contextual Rank Aggregation in E-Commerce},
author = {Xuesi Wang and Guangda Huzhang and Qianying Lin and Qing Da},
journal= {arXiv preprint arXiv:2107.08598},
year = {2023}
}