miRNN:Globally Optimized Mutual Influence Aware Ranking in E-Commerce Search

46 阅读2分钟

miRNN

在淘宝搜索中,每个商品是否会购买,会受到周围展示的商品的影响。例如周围同类目商品比当前商品显著贵,那么当前商品购买的概率可能就比较高。

miRNN中,作者使用RNN来建模context信息,优化淘宝搜索重排序,生成Top-K列表结果,来实现电商GMV最大化的目标。

淘宝搜索中,需要生成一个Top-K的商品列表,其对应的期望GMV,基于商品价格、预估购买每个商品的概率来计算。优化目标是,生成一个Top-K列表结果,使得期望GMV最大化:

image.png

这个问题可以分解成两个问题:
(1)估计每个商品在Top-K列表上下文下被购买的概率
(2)有效找到最优Top-K排列  image.png

在论文中,作者使用全局信息来建模多个商品列表的context信息,即基于多个商品的属性特征(例如价格)的最大值、最小值,来归一化每个商品的属性特征,生成全局特征。再结合商品自身的属性特征,来表达每个商品。

对于问题1,即预测给定排列情况下每个商品购买的概率,作者采用RNN来建模,即考虑前面已经选取的物品对后面商品购买的影响。

对于问题2,即有效找到最优Top-K排列,作者基于学习得到的购买预测RNN模型,和Beam Search来解决。组合探测的问题可以用传统的greedy search的方式,而论文中采用的是beam search--一种介于贪心和穷举中间的检索方式。

beam searh与greedy search的差异点在于,greedy每次检索的时候,只保留概率最大的item,使得局部最优,然后step by step,直至最终的序列生成。

而beam search的差异在于,每次检索的时候,会保留top k的序列,然后next step中,同样做top k的截留,到了最后序列生成时,做有限个数的全局最优对比。beam search也是一种局部最优解的序列检索,但是保留更多的探索空间,当然性能代价会更高一些。 image.png

miRNN模型,在淘宝搜索线上取得了很好的GMV收益。

参考

  1. www.zhihu.com/search?type…
  2. zhuanlan.zhihu.com/p/647143887…
  3. zhuanlan.zhihu.com/p/515279375…
  4. zhuanlan.zhihu.com/p/451870920…
  5. zhuanlan.zhihu.com/p/506295040…