提升广告收入的语境感知重排序框架——RARe

现代推荐系统在优化电商平台的搜索结果相关性方面表现卓越。尽管保持相关性，平台仍寻求通过搜索结果调整实现收入最大化。为解决相关性与收入之间的权衡，我们提出 $\mathsf{RARe}$（$\textbf{R}$aising $\textbf{A}$dvertisement $\textbf{Re}$venue，提升广告收入）框架。$\mathsf{RARe}$ 叠加了一个点击模型和一个重排序模型。我们据此构建一个损失函数，以寻找收入与相关性之间的权衡。根据我们的经验，$\mathsf{RARe}$ 框架中的点击模型至关重要。我们提出并比较了两种不同的点击模型，考虑搜索结果中物品的语境。第一种点击模型是基于梯度提升决策树与拼接（GBDT-C），它将语境纳入传统 GBDT 模型用于点击预测。第二种模型 SAINT-Q 则将顺序注意力模型应用于捕获搜索结果之间的相互影响。我们的实验表明，所提出的点击模型优于基线方法，显著提升了框架的整体质量。在工业数据集实验中，$\mathsf{RARe}$ 实现了显著的收入提升，同时保持了高相关性。