基于多知识域渐进训练的 Walmart 电商语义广告检索
信息检索
2025-02-14 v1
摘要
电商 Sponsored search 面临诸多独特且复杂的挑战，这些挑战源于查询与产品名称之间语言结构的非对称性、用户搜索意图内在的模糊性以及巨大的稀疏和不平衡搜索语料库规模。检索组件在 Sponsored search 系统中的作用至关重要，作为直接影响后续排序和出价系统的第一步。本文提出了针对 Walmart.com 优化广告检索系统的端到端解决方案。我们的做法是首先利用产品类别信息对 BERT 类分类模型进行预训练，以增强模型对 Walmart 产品语义的理解。其次，我们设计了两种塔结构的 Siamese Network 用于嵌入结构以提高训练效率。最后，我们引入一种基于 Human-in-the-loop 的渐进融合训练方法，以确保模型性能稳健。我们的结果表明，该管道有效。它将搜索相关性指标提升了最高可达 16%。此外，我们的大规模在线 A/B 测试表明，我们的方法优于现有生产模型中的广告收入。
引用
@article{arxiv.2502.09089,
title = {Semantic Ads Retrieval at Walmart eCommerce with Language Models Progressively Trained on Multiple Knowledge Domains},
author = {Zhaodong Wang and Weizhi Du and Md Omar Faruk Rokon and Pooshpendu Adhikary and Yanbing Xue and Jiaxuan Xu and Jianghong Zhou and Kuang-chih Lee and Musen Wen},
journal= {arXiv preprint arXiv:2502.09089},
year = {2025}
}