PIER：电商中基于排列级兴趣的端到端重排序框架
信息检索
2023-02-08 v1 人工智能
摘要
重排序在学术界与工业界都受到越来越多的关注，它通过建模物品间的相互影响来重新排列排序列表，以更好地满足用户需求。许多现有重排序方法直接将初始排序列表作为输入，并通过精心设计的上下文模型生成最优排列，这带来了重排前评估问题。同时，评估所有候选排列在实践中会带来不可接受的计算成本。因此，为了更好地平衡效率与效果，在线系统通常采用两阶段架构：首先使用如束搜索等启发式方法生成适量候选排列，再将其输入评估模型得到最优排列。然而，两个阶段中的现有方法都可在以下方面改进：在生成阶段，启发式方法仅使用点级预测分数且缺乏有效判断；在评估阶段，大多数现有上下文评估模型仅考虑物品上下文，缺乏更细粒度的特征上下文建模。本文提出一种名为 PIER 的新型端到端重排序框架以应对上述挑战，其仍遵循两阶段架构并包含两个主要模块 FPSM 与 OCPM。我们在 FPSM 中应用 SimHash，基于用户的排列级兴趣从全排列中高效筛选前 K 个候选。随后我们在 OCPM 中设计一种新型全向注意力机制以捕捉排列中的上下文信息。最后，我们通过引入对比学习损失对这两个模块进行端到端联合训练。离线实验结果表明，PIER 在公开与工业数据集上均优于基线模型，且我们已成功将 PIER 部署于美团外卖平台。
引用
@article{arxiv.2302.03487,
title = {PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework in E-commerce},
author = {Xiaowen Shi and Fan Yang and Ze Wang and Xiaoxu Wu and Muzhi Guan and Guogang Liao and Yongkang Wang and Xingxing Wang and Dong Wang},
journal= {arXiv preprint arXiv:2302.03487},
year = {2023}
}
备注
9 pages, 3 figures