18’IJCAI
总结
第一个在电子商务领域考虑了mutual influence的排序框架。
该文章强调了在电子商务领域物品间的影响。该工作将物品间相互影响合并入物品原有的特征中，通过DNN先对后买概率进行预测，然后为了更好的考虑物品相互间影响对最终序列的影响，借助带attention的RNN得到一个最优的排列。
Motivation
在web搜索领域，文档之间相互影响的作用已经从搜索结果的多样性角度进行了研究。但在电子商务搜索研究中很少有工作对物品间的相互影响进行研究。而且web搜索和电子商务搜索之间存在的差异，使得web搜索中的方法不能直接拿来使用。
Method
本文提出的方法，以优化GMV为目标。将该问题抽象为求GMV的均值最大：
由此，该方法将排序分解成两个任务：
- 第一个任务是相互影响对购买概率的作用
- 第二个任务是根据购买概率的估计，找到最优的排名顺序
第一阶段方法
1. 首先将物品间的互相影响信息合并进每一个item的特征中。
具体合并方法是基于本文提出的一种全局特征扩展方法。即直接将一个全局特征向量和当前item向量concat。而每个item全局特征为其他item对当前item的一种影响表征，具体如下：
fl为当前item的表征。2. 基于以上的物品特征使用DNN对物品购买概率进行预测。
三层，ReLU, sigmoid,BCELoss。3. 基于DNN的打分结果，使用RNN捕获购买概率估计中对排序顺序相关的影响。
直接基于DNN的结果打分的话就只是简单的排序。第二阶段方法
由于使用了RNN，第二阶段任务看成一个序列生成问题，并使用beam search的算法解决该问题。
但是beam search只用于线上阶段，训练时不适用beam search。
但是当使用LSTM作为RNN的单元时，发现top4的物品对20th的物品起不到影响作用。于是设计了如下带attention的RNN。
在这种带有attention的RNN，不仅取决于当前的hidden vector，同时也受前面所有hidden vector的权重和影响。公式如下：
这使得长距离依赖得以实现。
缺点
- 提取全局特征时，使用了人工设计的规则。
- 生成最终排序时，将其看成了一个序列生成问题。也即强加了当前位置的物品只受前面前序物品影响的这一假设。
- RNN的训练过程不使用beamSearch，而上线过程使用beamSearch存在gap。
若有收获，就点个赞吧
0 人点赞
