表征在线至关重要：搜索与推荐系统中的实用端到端多样化
信息检索
2023-05-29 v2 计算机与社会
机器学习
摘要
随着各年龄段人群对在线平台使用的持续增长，用户常希望在内容中感受到自身被代表。为提升搜索结果与推荐中的代表性，我们引入端到端多样化，确保多样化内容贯穿这些系统从检索到排序的各个阶段。我们在 Pinterest 平台的多个生产场景中开发、实验并部署了可扩展的多样化机制，包括搜索、相关商品和新用户首页信息流，以改善美妆与时尚内容中不同肤色群体的代表性。生产系统中的多样化包含三个组成部分：识别将触发多样化的请求、在检索阶段确保从大规模内容库中检索到多样化内容，以及最终在排序阶段以自适应方式平衡多样性与效用的权衡。我们的方法从检索阶段使用 Strong-OR 逻辑算子演进到分桶检索，从贪心重排序演进到使用行列式点过程的多目标优化用于排序阶段，在平衡多样性与效用的同时支持快速迭代及向多维多样化的可扩展扩展。我们的实验表明，这些方法显著改善了多样性指标，对效用指标具有中性至正向的影响，并在生产环境中从定性与定量上提升了用户满意度。本文的可访问 PDF 见 https://drive.google.com/file/d/1p5PkqC-sdtX19Y_IAjZCtiSxSEX1IP3q/view
引用
@article{arxiv.2305.15534,
title = {Representation Online Matters: Practical End-to-End Diversification in Search and Recommender Systems},
author = {Pedro Silva and Bhawna Juneja and Shloka Desai and Ashudeep Singh and Nadia Fawaz},
journal= {arXiv preprint arXiv:2305.15534},
year = {2023}
}
备注
In Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency (FAccT '23), June 12--15, 2023, Chicago, IL, USA