淘宝搜索中个性化产品检索的多目标图对比学习
摘要：电子商务搜索中，个性化检索是提高用户购物体验的关键技术。近年来，在此领域的最新研究通过表示学习范式，如基于嵌入的检索（EBR）和协同过滤（CF），实现了显著改进。EBR方法未能充分利用有用的协同信号，并且难以很好地学习长尾商品的表示。基于图的CF方法通过在用户点击图中建模协同信号来改进个性化。然而，现有的基于图的方法忽略了用户的多种行为，如点击/购买以及用户行为与商品的相关性约束。本文提出了一种具有多目标的图对比学习（GCL-MO）协同过滤模型，该模型解决了电子商务搜索中关联性较弱和个性化不完整的问题。具体地，GCL-MO构建了一个项目的同质图，然后优化了个性化和关联性的多目标函数。此外，我们提出了一种修改后的多目标图学习对比损失函数，该函数避免了正样本之间的相互抑制，从而提高了长尾商品表示的泛化性和鲁棒性。然后，利用这些学习到的项目嵌入来构建一个高效的离线到在线倒排表进行个性化检索。GCL-MO在离线/在线实验指标上优于在线协同过滤基线，在淘宝搜索的在线A/B测试中也取得了显著的改进。
作者：Longbin Li, Chao Zhang, Sen Li, Yun Zhong, Qingwen Liu, Xiaoyi Zeng
论文ID：2307.04322
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-11