优化电商搜索：迈向泛化且排序一致的预排序模型
信息检索
2024-08-22 v3 机器学习
摘要
在大型电商平台中，搜索系统通常由一系列模块组成，包括召回、预排序和排序阶段。预排序阶段作为一个轻量级模块，对于提前过滤掉大量商品以供下游排序模块使用至关重要。工业界在优化预排序模型方面的努力主要集中在增强排序一致性、模型结构以及对长尾商品的泛化能力上。除了这些优化之外，满足系统性能要求也带来了重大挑战。与现有的工业界工作不同，我们提出了一种新方法：一种泛化且排序一致的预排序模型（GRACE），其实现了：1）通过引入多个二分类任务来预测商品是否位于排序模型估计的 top-k 结果内，从而实现排序一致性，这便于在常见的 point-wise 排序模型上添加学习目标；2）通过对所有商品的表征进行对比学习，在部分排序商品嵌入上进行预训练，从而实现泛化能力；3）在特征构建和在线部署中易于实现。我们广泛的实验表明，离线指标和在线 A/B 测试均有显著提升：AUC 提升 0.75%，CVR 提升 1.28%。
引用
@article{arxiv.2405.05606,
title = {Optimizing E-commerce Search: Toward a Generalizable and Rank-Consistent Pre-Ranking Model},
author = {Enqiang Xu and Yiming Qiu and Junyang Bai and Ping Zhang and Dadong Miao and Songlin Wang and Guoyu Tang and Lin Liu and Mingming Li},
journal= {arXiv preprint arXiv:2405.05606},
year = {2024}
}