基于自适应特征学习的多场景排序
信息检索
2023-06-30 v1 人工智能
摘要
近来，多场景学习（MSL）因能促进来自不同场景的迁移学习、缓解数据稀疏并降低维护成本，而被工业界推荐与检索系统广泛采用。这些努力通过搜索更优的网络结构产生了不同的 MSL 范式，如辅助网络、专家网络和多塔网络。直观上，不同场景可能具备各自的特性，以颇为不同的方式激活用户意图。换言之，在不同场景下，不同种类的辅助特征具有 varying 的重要性。若能以场景感知的方式精炼出更具判别力的特征表示，便可在无需昂贵搜索最优网络结构的情况下轻松获得更好的排序性能。遗憾的是，这一简单想法在真实系统中被主要忽视，却颇受期待。进一步分析也验证了多场景下自适应特征学习的合理性。此外，我们在阿里巴巴搜索广告平台上的 A/B 测试结果也表明 Maria 在生产环境中更优。
引用
@article{arxiv.2306.16732,
title = {Multi-Scenario Ranking with Adaptive Feature Learning},
author = {Yu Tian and Bofang Li and Si Chen and Xubin Li and Hongbo Deng and Jian Xu and Bo Zheng and Qian Wang and Chenliang Li},
journal= {arXiv preprint arXiv:2306.16732},
year = {2023}
}
备注
10 pages,