神经搜索：时尚电商中查询与商品表示的学

典型的电商平台目录中包含数百万商品。用户访问这些平台并输入搜索查询以检索其所需商品。因此，将相关商品展示在前列对电商平台的成败至关重要。我们通过利用用户点击流数据作为商品相关性的主要信号来源，学习查询与商品描述的低维表示来解决该问题。从基于 GRU 的架构作为基线模型出发，我们转向更先进的基于 transformer 的架构。这有助于模型学习查询与商品的上下文表示，以更高效的方式提供更优搜索结果并理解用户意图。我们开展了基于 Transformer 的 RoBERTa 模型使用时尚语料预训练并基于三元组损失微调的实验。在商品排序任务上的实验表明，RoBERTa 模型在平均倒数排名（MRR）上提升 7.8%、平均精度均值（MAP）上提升 15.8%、归一化折损累积增益（NDCG）上提升 8.8%，从而优于基于 GRU 的基线。在商品检索任务中，RoBERTa 模型以 Precision@50 提升 164.7% 和 Recall@50 提升 145.3% 优于另外两种模型。为凸显针对时尚领域预训练 RoBERTa 的重要性，我们在查询词元预测任务上定性比较了在标准数据集上已预训练的 RoBERTa 与我们在时尚语料上自定义预训练的 RoBERTa。最后，我们还针对若干测试查询给出了 GRU 与 RoBERTa 在商品检索任务上的定性比较。