Facebook推荐系统研究新进展:结合多模态信息与排名式学习的搜索EBR系统
©PaperWeekly 原创 · 作者 | 田雨鑫
单位 | 加州大学默塞德分校
研究方向 | 计算机视觉,多模态学习
近年来,基于嵌入的检索(EBR)在电商搜索引擎领域取得了显著的进步。尽管 Meta 提出的 Que2Search 和其他现有的 EBR 系统在实际应用中取得了一定的效果,但仍面临一些挑战:
这些系统通常优化的是查询和产品的语义相关性,但这并不意味着产品一定能吸引搜索,可能会出现相关性高但用户参与度低的情况。
另外,产品的价格、生产条件、卖家评分等上下文信息也非常重要。但是如何将这些上下文信息融入到搜索 EBR 系统中并非易事:传统的基于对比学习的 EBR 建模技术过分强调语义相关性,所以简单地在对比学习设置中应用上下文信息可能并不会奏效。同时,找到既语义相关又能吸引搜索者的产品是一项挑战。
基于这些问题,Meta 的研究团队提出了 Que2Engage,进一步发掘了 EBR 的潜力,并且引起了社区广泛的关注。与传统的 EBR 模型相比,Que2Engage 不仅能够返回与搜索查询语义相关的产品,还能提升那些更能吸引搜索者的产品的排名,这对于满足复杂的商业目标和改善用户体验具有巨大的价值。
https://dl.acm.org/doi/pdf/10.1145/3543873.3584633
多模态方法:将产品价格、生产条件、卖家评分等上下文信息视为独特的模态并融入到系统中,以更全面地满足搜索者的需求。
多任务学习:通过同时进行对比学习和排名式学习,既可以找到与查询语义相关的产品,又能提升用户参与度。
多任务评估:通过对现有 EBR 模型进行多任务评估,我们可以更深入地理解其在不同领域的性能,并能够准确地评估 Que2Engage 在应对实际挑战时的有效性。
实践应用:已在 Facebook Marketplace 搜索中集成,并每日支持数百万次搜索查询。在两周的在线 A/B 测试中,Que2Engage 已经表现出了显著的改进,有效提高了用户的参与度。
方法
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。
📝 稿件基本要求:
• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注
• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题
• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道:
• 投稿邮箱:[email protected]
• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿
△长按添加PaperWeekly小编
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
微信扫码关注该文公众号作者