面向增长市场的内容本地化提升：缓解跨区域行为偏差中的学习排序问题
机器学习
2026-05-13 v1 人工智能
信息检索
摘要
Adobe Express 正在国际化扩张，但美国的内容供应和互动量比例显著偏大。主要基于行为反馈训练的学习排序（LTR）模型继承了这种不平衡：在非美国地区，受美国本地流行模板的过度推荐。这种跨区域曝光偏差抑制了本地内容的可发现性，损害了增长区域内的排序质量。我们表明，仅依赖点击训练会抑制语义上具有信息量的本地化特征。引入视觉语言模型（VLM）评估相关性标签作为辅助监督，可提升语义对齐，但无法保持本地内容的可见性。我们提出一种多目标框架，结合行为监督、VLM 提供的相关性信号以及区域感知提升。经过五个区域的实验，该方法在提升相关性的同时恢复了稳定的本地化效果，表明在语义监督中解耦曝光因素的重要性。
引用
@article{arxiv.2605.11272,
title = {Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank},
author = {Suryaa Veerabathiran Seran and Ashwin Naresh Kumar and Tracy Holloway King and Jing Zheng},
journal= {arXiv preprint arXiv:2605.11272},
year = {2026}
}