从推荐系统到冷启动搜索检索的零样本异构迁移学习
机器学习
2020-08-20 v2 信息检索
机器学习
摘要
许多神经信息检索模型的最新进展（给定查询预测前 K 个物品）直接从由大量 (查询, 物品) 对组成训练集学习。然而，当存在许多此前未见的 (查询, 物品) 组合（常称为冷启动问题）时，它们往往力有不逮。此外，搜索系统可能偏向此前频繁展示给某查询的物品，即所谓的“富者愈富”（亦称反馈循环）问题。鉴于这些问题，我们观察到大多数在线内容平台同时拥有搜索与推荐系统，二者虽输入空间异构，却可通过共同的输出物品空间与共享语义表示相连接。本文提出一种新的零样本异构迁移学习框架，将推荐系统组件中学得的知识迁移以改进内容平台的搜索组件。首先，它通过预测源自推荐系统的 (物品, 物品) 相关图作为辅助任务，来学习物品及其自然语言特征的表示；随后，将所学表示迁移以解决目标搜索检索任务，在训练未见过任何 (查询, 物品) 对的情况下执行查询到物品的预测。我们在 Google 全球最大搜索与推荐系统之一上进行了线上与线下实验，并呈现结果与实践经验。我们证明所提方法在线下搜索检索任务上可达高性能，更重要的是，线上实验在相关性与用户交互上较高度优化的生产系统取得显著提升。
引用
@article{arxiv.2008.02930,
title = {Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval},
author = {Tao Wu and Ellie Ka-In Chio and Heng-Tze Cheng and Yu Du and Steffen Rendle and Dima Kuzmin and Ritesh Agarwal and Li Zhang and John Anderson and Sarvjeet Singh and Tushar Chandra and Ed H. Chi and Wen Li and Ankit Kumar and Xiang Ma and Alex Soares and Nitin Jindal and Pei Cao},
journal= {arXiv preprint arXiv:2008.02930},
year = {2020}
}
备注
Accepted at CIKM 2020