跨不同内容类型排序：多项混合的稳健之美
信息检索
2024-08-20 v1 人工智能
机器学习
摘要
越来越多的媒体流媒体服务已将其产品扩展到包含多种内容类型的实体。例如，最初仅提供音乐的音频流媒体服务，现在也提供播客、商品和视频。由于不同内容类型的用户参与模式不同，将不同内容类型的项目排序到单个版面对传统的学习排序（LTR）算法构成了重大挑战。我们探索了一种用于跨内容类型排序的简单方法，称为多项混合（MB），它可以与大多数现有的 LTR 算法结合使用。我们不仅在排序质量方面，而且从其他行业相关角度（如可解释性、易用性以及在用户行为变化和排序模型重新训练的动态环境中的稳定性）将 MB 与现有基线进行了比较。最后，我们报告了来自 Amazon Music 排序用例的 A/B 测试结果。
引用
@article{arxiv.2408.09168,
title = {Ranking Across Different Content Types: The Robust Beauty of Multinomial Blending},
author = {Jan Malte Lichtenberg and Giuseppe Di Benedetto and Matteo Ruffini},
journal= {arXiv preprint arXiv:2408.09168},
year = {2024}
}
备注
To appear in 18th ACM Conference on Recommender Systems (RecSys24), Bari, Italy. ACM, New York, NY, USA, 3 pages