通过假阴性估计缓解电商搜索中的池化偏差
信息检索
2024-08-20 v3 机器学习
摘要
高效且准确的产品相关性评估对用户体验和商业成功至关重要。训练一个熟练的相关性评估模型需要高质量的查询-产品对，这些通常通过对负采样策略获得。遗憾的是，当前方法错误地采样了假阴性，从而引入了池化偏差，降低了性能与业务效果。为此，我们提出偏差缓解硬负采样（BHNS），一种新颖的负采样策略，基于我们原有的假阴性估计（False Negative Estimation）算法，旨在识别并校正假阴性。我们在 Instacart 搜索场景下的实验证实了 BHNS 在实际电商应用中的有效性。此外，在公开数据集上的对比分析展示了其跨领域的潜力，可应用于多样化场景。
引用
@article{arxiv.2311.06444,
title = {Mitigating Pooling Bias in E-commerce Search via False Negative Estimation},
author = {Xiaochen Wang and Xiao Xiao and Ruhan Zhang and Xuan Zhang and Taesik Na and Tejaswi Tenneti and Haixun Wang and Fenglong Ma},
journal= {arXiv preprint arXiv:2311.06444},
year = {2024}
}
备注
Submitted to WWW'24 Industry Track