ORDSIM：面向电子商务查询相似度预测的序回归方法
机器学习
2022-03-15 v1
摘要
查询相似度预测任务通常由带平方损失的基于回归的模型解决。此类模型对绝对相似度值不敏感，并以相同尺度惩罚所有相似度范围内的回归误差。然而，为提升电子商务平台的变现能力，准确预测高水平相似度比低水平相似度更为重要，因为高度相似的查询根据用户意图检索商品，而中等相似的查询检索相关商品，可能不会导致购买。回归模型无法定制其损失函数以聚焦于高相似度区间，导致在查询相似度预测任务上表现不佳。我们通过将查询预测视为序回归问题来应对上述挑战，从而提出一种模型 ORDSIM（用于相似度预测的序回归，ORDinal Regression for SIMilarity Prediction）。ORDSIM 利用变宽度分桶对序损失建模，对高水平相似度中的误差施以严厉惩罚，从而使回归模型对高相似度值获得更好的预测结果。我们在来自 eBay 平台的超过一千万条电子商务查询数据集上评估 ORDSIM，结果表明在该数据集上 ORDSIM 相较于竞争的回归方法实现了显著更小的预测误差。
引用
@article{arxiv.2203.06591,
title = {ORDSIM: Ordinal Regression for E-Commerce Query Similarity Prediction},
author = {Md. Ahsanul Kabir and Mohammad Al Hasan and Aritra Mandal and Daniel Tunkelang and Zhe Wu},
journal= {arXiv preprint arXiv:2203.06591},
year = {2022}
}
备注
9 pages