SEQ+MD：基于多分布数据的序列化多任务学习
信息检索
2024-08-27 v1
摘要
在电子商务领域，搜索结果的显示顺序对于客户寻找相关 listing 的购物体验和搜索效率具有显著影响。基于相关性和参与度信号的定制化重排序系统在销售额和毛 merchandise 价值 (GMV) 上通常显示出改进。对于需要考虑不同买家市场购物偏好和文化传统的全球化应用来说，设计此类算法更具挑战性。我们的解决方案需要整合购物偏好和区域文化传统。我们提出 SEQ+MD 框架，将序列化学习与多任务学习 (MTL) 集成，并引入特征生成区域掩码以处理多分布输入。该方法利用任务之间的序列顺序，并考虑区域异质性，提升了多源数据上的性能。在内部数据上的评估显示，高价值参与度（包括加入购物车和购买）显著提升，而点击表现保持中性，优于最先进的基线模型。此外，我们的多区域学习模块具有"即插即用"特性，可轻易适用于提升其他 MTL 应用。
引用
@article{arxiv.2408.13357,
title = {SEQ+MD: Learning Multi-Task as a SEQuence with Multi-Distribution Data},
author = {Siqi Wang and Audrey Zhijiao Chen and Austin Clapp and Sheng-Min Shih and Xiaoting Zhao},
journal= {arXiv preprint arXiv:2408.13357},
year = {2024}
}